Mobile health for early retention in HIV care: a qualitative study in Kenya (WelTel Retain)
Notice bibliographique
Résumé
Many people newly diagnosed with HIV are lost to follow-up before timely initiation of antiretroviral therapy (ART). A randomised controlled trial (RCT), WelTel Kenya1, demonstrated the effectiveness of the WelTel text messaging intervention to improve clinical outcomes among patients initiating ART. In preparation for WelTel Retain, an RCT that will evaluate the effect of the intervention to retain patients in care immediately following HIV diagnosis, we conducted an informative qualitative study with people living with HIV (n = 15) and healthcare providers (HCP) (n = 5) in October 2012. Study objectives included exploring the experiences of people living with HIV who have attempted to engage in HIV care, the use of cell phones in everyday life, and perceptions of communicating via text message with HCP. Participants were recruited through convenience sampling. Semi-structured, qualitative interviews were conducted and recorded, transcribed verbatim and analysed using NVivo software. Analysis was guided by the Theory of Reasoned Action and the Technology Acceptance Model. Results indicate that while individuals have many motivators for engaging in care after diagnosis, structural and individual barriers including poverty, depression and fear of stigma prevent them from doing so. All participants had access to a mobile phone, and most were comfortable communicating through text messages, or were willing to learn. Both people living with HIV and HCP felt that increased communication via the text messaging intervention has the potential to enable early identification of problems, leading to timely problem solving that may improve retention and engagement in care during the first year after diagnosis.
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 | 0,017 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».