O20.1 Two-Mode Analysis of HIV, HCV and Risk Behaviours: A Place-Based Analysis of Most At-Risk Populations in Winnipeg, Canada
Notice bibliographique
Résumé
Background The HIV epidemic has shown a considerable amount of heterogeneity, complicating the design and placement of prevention, intervention and treatment programmes. Place-based analyses providing specific information on pathogen prevalence, risk behaviours and other micro-level behaviours can help to target public health responses. Methods Data were from a cross-sectional survey of most-at-risk populations (MARPs) from Winnipeg, Canada. Respondents were recruited through respondent-driven sampling, and biological, behavioural and egocentric network data were collected. Respondents named locations where they frequented and where they engaged in risk behaviours, including the use of crack cocaine, injectable and non-injectable drug use, and solvents; and either seeking sex work clients or sex workers. Locations were geo-coded up to Statistics Canada dissemination areas. Two-mode network visualisation and centrality, degree, and betweenness measures were generated using UciNet (V.6). Results From a sample size of 600, nine locations were named by 10 or more respondents. The following results pertain only to these nine locations (N: 231). Locations corresponded to three “hot spots” in Winnipeg’s inner and outer core areas. Across the sample, HIV and HCV prevalence was 9.8% and 51.5%, respectively. Prevalence varied considerably by location, ranging from 0% to 15% for HIV and 20% to 70% for HCV. Degree ranged from 0.054 to 0.330, closeness from 0.178 to 0.411 and betweenness from 0.054 to 0.521. No association between prevalence of HIV and HCV and network metrics was found. Substantial heterogeneity in pathogen prevalence and risk behaviour was observed by location, while pathogen, risk and mixing characteristics of populations bridging the nine locations were made apparent by two-mode visualisation. Conclusion Two-mode analysis of egocentric network data revealed geographic clustering of risk behaviours, while at the same time demonstrating substantial mixing between high-risk bridge populations. Targeted prevention and intervention efforts can be aided by use of micro-level analyses.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,007 |
| 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 ».