MétaCan
Menu
Retour à la cohorte
Enregistrement W2797984867 · doi:10.13189/ujph.2018.060208

Evaluating the Determinants and Prevalence of HIV among Intravenous Drug Users in Benin

2018· article· en· W2797984867 sur OpenAlexaff
Septime Hessou, Yolaine Glèlè Ahanhanzo, Tranquillin Yadouléton, Victorien Dougnon, Odile Sodoloufo, Rhéal Drisdelle, Moussa Bachabi, Clément Ahoussinou, Bernard Gnahoui-David, Nelson Magalie, Bernabé Yaméogo, Christian Johnson, Marcel Zannou

Notice bibliographique

RevueUniversal Journal of Public Health · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueHIV, Drug Use, Sexual Risk
Établissements canadiensMagna International (Canada)
Organismes subventionnairesnon disponible
Mots-clésIntravenous drugHuman immunodeficiency virus (HIV)MedicineDrugDemographyFamily medicineEnvironmental healthPharmacologySociology

Résumé

récupéré en direct d'OpenAlex

HIV remains a serious global health problem. In Benin, intravenous drug users (IDUs) are at higher risk for HIV infection and are one of the groups the National AIDS Control Council (CNLS) has focused on in its strategic planning. The present study was conducted to estimate the rate of HIV prevalence among IDUs in Benin and identify potential risk factors. To this end, the 2013 and 2015 directives issued by the World Health Organization (WHO) and the Joint United Nations Program on HIV/AIDS (UNAIDS) regarding Second generation surveillance were followed. In total, 386 IDUs participated in the study from all departments of Benin, 3.1% of them were women. The average age of participants was 35 (±10.7). The median length of time that participants had been using drugs was 10 years (range: 0 - 45) and cocaine was the most frequently consumed substance (56.0%). During their last injection, 90.9% of respondents used sterile injecting equipment. The HIV prevalence rate among IDUs was 4.7% (95% CI: 2.63% - 7.11%), compared to 1.2% within the general population. The results of this study highlight the need to implement continual HIV surveillance systems and develop prevention tools that specifically address the needs of IDUs.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,033

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,097
Tête enseignante GPT0,400
Écart entre enseignants0,303 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUniversal Journal of Public HealthMême sujetHIV, Drug Use, Sexual RiskTravaux en français237 207