Location location location: an exploration of disparities in access to publicly listed pre-exposure prophylaxis clinics in the United States
Notice bibliographique
Résumé
PURPOSE: HIV pre-exposure prophylaxis (PrEP) is highly effective in preventing HIV transmission. Finding a PrEP provider, however, can be a barrier to accessing care. This study explores the distribution of publicly listed PrEP-providing clinics in the United States. METHODS: Data regarding 2094 PrEP-providing clinics come from PrEP Locator, a national database of PrEP-providing clinics. We compared the distribution of these PrEP clinics to the distribution of new HIV diagnoses within various geographical areas and by key populations. RESULTS: Most (43/50) states had less than one PrEP-providing clinic per 100,000 population. Among states, the median was two clinics per 1000 PrEP-eligible men who have sex with men. Differences between disease burden and service provision were seen for counties with higher proportions of their residents living in poverty, lacking health insurance, identifying as African American, or identifying as Hispanic/Latino. The Southern region accounted for over half of all new HIV diagnoses but only one-quarter of PrEP-providing clinics. CONCLUSIONS: The current number of PrEP-providing clinics is not sufficient to meet needs. In addition, PrEP-providing clinics are unevenly distributed compared to disease burden, with poor coverage in the Southern divisions and areas with higher poverty, uninsured, and larger minority populations. PrEP services should be expanded and targeted to address disparities.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».