Heterogeneity in geographical trends of HIV epidemics among key populations in Pakistan: a mathematical modeling study of survey data
Notice bibliographique
Résumé
BACKGROUND: /transgender/male sex workers (H/MSWs), in Pakistan. METHODS: The UNAIDS Estimation and Projection Package (EPP) mathematical model was used to explore geographical trends in HIV epidemics. Four rounds of mapping and surveillance data collected among key populations (KPs) across 20 cities in Pakistan between 2005-2011 was used for modeling. Empirical estimates of HIV prevalence of each KP in each city were used to fit the model to estimate prevalence and incidence over time. RESULTS: HIV incidence among PWIDs in Pakistan reached its peak in 2011, estimated at 45.3 per 1000 person-years. Incidence was projected to continue to rise from 18.9 in 2015 to 24.3 in 2020 among H/MSWs and from 3.2 in 2015 to 6.3 in 2020 among FSWs. The number of people living with HIV in Pakistan was estimated to steadily increase through at least 2020. HIV incidence peak among PWIDs ranged from 16.2 in 1997 in Quetta to 71.0 in 2010 in Faisalabad (per 1000 person-years). Incidence among H/MSWs may continue to rise through 2020 in all the cities, except in Larkana where it peaked in the early 2000s. In 2015, model estimated incidence among FSWs was 8.1 in Karachi, 6.6 in Larkana, 2.0 in Sukkur and 1.2 in Lahore (per 1000 person-years). CONCLUSIONS: There exists significant geographical heterogeneity in patterns and trends of HIV sub-epidemics in Pakistan. Focused interventions and service delivery approaches, different by KP and city, are recommended.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».