Changes in HIV and syphilis prevalence among female sex workers from three serial cross-sectional surveys in Karnataka state, South India
Notice bibliographique
Résumé
OBJECTIVES: This paper examined trends over time in condom use, and the prevalences of HIV and syphilis, among female sex workers (FSWs) in South India. DESIGN: Data from three rounds of cross-sectional surveys were analysed, with HIV and high-titre syphilis prevalence as outcome variables. Multivariable analysis was applied to examine changes in prevalence over time. SETTING: Five districts in Karnataka state, India. PARTICIPANTS: 7015 FSWs were interviewed over three rounds of surveys (round 1=2277; round 2=2387 and round 3=2351). Women who reported selling sex in exchange for money or gifts in the past month, and aged between 18 and 49 years, were included. INTERVENTIONS: The surveys were conducted to monitor a targeted HIV prevention programme during 2004-2012. The main interventions included peer-led community outreach, services for the treatment and prevention of sexually transmitted infections, and empowering FSWs through community mobilisation. RESULTS: HIV prevalence declined significantly from rounds 1 to 3, from 19.6% to 10.8% (adjusted OR (AOR)=0.48, p<0.001); high-titre syphilis prevalence declined from 5.9% to 2.4% (AOR=0.50, p<0.001). Reductions were observed in most substrata of FSWs, although reductions among new sex workers, and those soliciting clients using mobile phones or from home, were not statistically significant. Condom use 'always' with occasional clients increased from 73% to 91% (AOR=1.9, p<0.001), with repeat clients from 52% to 86% (AOR=5.0, p<0.001) and with regular partners from 12% to 30% (AOR=4.2, p<0.001). Increased condom use was associated with exposure to the programme. However, condom use with regular partners remained low. CONCLUSIONS: The prevalences of HIV infection and high-titre syphilis among FSWs have steadily declined with increased condom use. Further reductions in prevalence will require intensification of prevention efforts for new FSWs and those soliciting clients using mobile phones or from home, as well as increasing condom use in the context of regular partnerships.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».