Adjusting ante-natal clinic data for improved estimates of HIV prevalence among women in sub-Saharan Africa
Notice bibliographique
Résumé
OBJECTIVES: To find a simple and robust method for adjusting ante-natal clinic data on HIV prevalence to represent prevalence in the general female population in the same age range, allowing for fertility differences by HIV status. BACKGROUND: HIV prevalence comparisons for pregnant women and women in the general community show that prevalence in the latter is significantly higher than in the former. An adjustment procedure is needed that is specific for the demographic and epidemiological circumstances of a particular population, making maximum use of data that can easily be collected in ante-natal clinics or are widely available from secondary sources. METHODS: Birth interval length data are used to allow for subfertility among HIV-positive women. To allow for infertility, relative HIV prevalence ratios for fertile and infertile women obtained in community surveys in populations with similar levels of contraception use are applied to demographic survey data that describe the structure of the population not at risk of child-bearing. RESULTS: For populations with low contraception use, the procedure yields estimates of general female HIV prevalence of 35-65% higher than the observed ante-natal prevalence, depending on population structure. Results were verified using general population prevalence data collected in Kisesa (Tanzania) and Masaka (Uganda). For high contraception use populations, adjusted values range from 15% higher to 5% lower, but only limited verification has been possible so far. CONCLUSIONS: The procedure is suitable for estimating general female HIV prevalence in low contraception use populations, but the high contraception variant needs further testing before it can be applied widely.
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 | 0,001 | 0,002 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 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 ».