Trotz erheblicher Fortschritte bei den globalen HIV-Zielen ist die Welt derzeit nicht auf Kurs, um das Sustainable Development Goal zu erreichen, AIDS bis 2030 als gesundheitliche Bedrohung zu beenden. Bis 2023 haben nur fünf Länder die UNAIDS-Ziele für Tests, Behandlung und virale Unterdrückung (95-95-95) erreicht. Globale Zahlen liegen bei 86 % der Menschen, die mit HIV leben, die ihren Status kennen; 89 % der Menschen, die mit HIV antiretrovirale Therapie (ART) erhalten; und 93 % derjenigen, die auf ART virussupprimiert sind. Es bedarf erheblicher Anstrengungen, um die UNAIDS-Präventionsziele für 2025 zu erreichen und neue HIV-Infektionen auf 370.000 zu reduzieren und Präventionsmaßnahmen für 10 Millionen Menschen verfügbar zu machen.
Die Schließung dieser Lücken erfordert wahrscheinlich intensivierte differenzierte Versorgungsstrategien, um Hindernisse für den Zugang zu HIV-Diensten in Kliniken zu bewältigen, wie HIV-assoziiertes Stigma, Entfernung, Unterbesetzung und lange Wartezeiten. DSD ist ein personenzentrierter Ansatz, der von der WHO für HIV-Behandlungs- und Präventionsinterventionen empfohlen wird und darauf abzielt, die Bereitstellung zu vereinfachen, die Belastung für Kunden, Anbieter und Gesundheitssysteme zu reduzieren und die HIV-Dienste für die Bedürftigen zugänglicher und akzeptabler zu machen. HIV-Selbsttests sind eine Innovation, die in der HIV-DSD bisher unterernutzt wurde. Trotz hoher Empfindlichkeit und Spezifität wurden HIV-Selbsttests bisher hauptsächlich als Screening-Tools eingesetzt.
Computer Vision, ein Bereich der künstlichen Intelligenz, der bedeutungsvolle Informationen aus visuellen Daten gewinnt, könnte dabei helfen, die Qualität der HIV-Selbsttests sicherzustellen. Mehrere Beispiele zeigen, wie AI-Algorithmen in der medizinischen Bildgebung und Diagnose ähnlich gut abschneiden wie geschulte Gesundheitsdienstleister. Einige Studien haben gezeigt, dass AI-Computer-Vision-Technologie auch bei der Interpretation von RDTs von lateralen Fließgeräten gut abschneidet. Ein AI-Algorithmus wurde darauf trainiert, HIV-RDT-Bilder zu interpretieren und dabei bessere Ergebnisse als Gesundheitsdienstleister zu erzielen.
Die Studie bewertete die Leistung eines AI-Algorithmus bei der Interpretation von HIVST-Bildern, die während routinemäßiger HIVST-Serviceleistungen in privaten, gemeindebasierten Apotheken in Kenia gesammelt wurden. Der AI-Algorithmus wies perfekte Sensitivität und negativen prädiktiven Wert auf, 99 % Spezifität und 86 % positiven prädiktiven Wert. Dies zeigt, dass AI-Computer-Vision-Technologie ein vielversprechendes Instrument zur Qualitätssicherung von HIV-Tests sein kann. Es hat das Potenzial, die HIV-Dienste außerhalb von traditionellen Gesundheitseinrichtungen durch neue Anbieter zu bieten. Zudem besteht Bedarf an weiterer Forschung, um die ethischen, finanziellen, und rechtlichen Aspekte der Implementierung dieser Technologie zu klären.