The Effect of Commuting Patterns on HIV Care Attendance Among Men Who Have Sex With Men (MSM) in Atlanta, Georgia
Notice bibliographique
Résumé
BACKGROUND: Travel-related barriers to human immunodeficiency virus (HIV) care, such as commute time and mode of transportation, have been reported in the United States. OBJECTIVE: The objective of the study was to investigate the association between public transportation use and HIV care attendance among a convenience sample of Atlanta-based, HIV-positive men who have sex with men (MSM), evaluate differences across regions of residence, and estimate the relationship between travel distance and time by mode of transportation taken to attend appointments. METHODS: We used Poisson regression to estimate the association between use of public transportation to attend HIV-related medical visits and frequency of care attendance over the previous 12 months. The relationship between travel distance and commute time was estimated using linear regression. Kriging was used to interpolate commute time to visually examine geographic differences in commuting patterns in relation to access to public transportation and population-based estimates of household vehicle ownership. RESULTS: Using public transportation was associated with lower rates of HIV care attendance compared to using private transportation, but only in south Atlanta (south: aRR: 0.75, 95% CI 0.56, 1.0, north: aRR: 0.90, 95% CI 0.71, 1.1). Participants living in south Atlanta were more likely to have longer commute times associated with attending HIV visits, have greater access to public transportation, and may live in areas with low vehicle ownership. A majority of attended HIV providers were located in north and central Atlanta, despite there being participants living all across the city. Estimated commute times per mile traveled were three times as high among public transit users compared to private transportation users. CONCLUSIONS: Improving local public transit and implementing use of mobile clinics could help address travel-related barriers to HIV care.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».