Evidence from epidemic appraisals in Nigeria
Notice bibliographique
Résumé
Although HIV prevalence has increased in most-at-risk populations (MARPs) across Nigeria, effective programming was difficult because Nigeria lacked information for prevention programmes to target interventions that maximise coverage and cost effectiveness. Epidemic appraisals (EA) were conducted in eight states to provide evidence for the planning, implementation and co-ordination of prevention interventions. Component 1: Mapping determined the size, typology and locations of MARPs. Component 2: Venue profiling identified and profiled venues where general populations engaged in high-risk behaviours. Component 3: Rural appraisals provided insights into risk behaviours and sexual networking in villages. States used mapping results to prioritise areas with a MARP coverage of 70% – 80% and then scale up interventions for non-brothel-based female sex workers (FSWs) instead of focusing on brothel-based FSWs. The eight states prioritisedf unding for the high-coverage areas to ensure a minimum coverage level of 70% – 80% of MARPs was reached. The refocused resources led to cost efficiencies. Applying venue profiling results, six states implemented interventions at bars and night clubs – previously not covered. States also maximised intervention coverage for high-risk general populations; this led to the use of resources for general population interventions in a focused way rather than across an entire state. States focused on condom programmes in rural areas. EA results provided the evidence for focusing interventions for high MARP coverage as well as forhigh-risk general populations. The states applied the results and rapidly refocused their interventions, increasing the likelihood of having an impact on HIV transmission in those states. Nigeria is now implementing EAs in the remaining 29 states to effect national-level impact.
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 | 0,011 | 0,009 |
| 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) | 0,001 | 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 ».