Strong association between higher-risk sex and HIV prevalence at the regional level: an ecological study of 27 sub-Saharan African countries
Notice bibliographique
Résumé
<ns4:p> <ns4:bold>Background:</ns4:bold> It is unclear why HIV prevalence varies by nearly two orders of magnitude between regions within countries in sub-Saharan Africa. In this ecological study, we assess if HIV prevalence by region is associated with any of four markers of higher risk sexual behavior: lifetime number of partners, multiple partners in past year, higher risk sex (defined as sex with non-cohabiting, non-marital partners) and age at debut. </ns4:p> <ns4:p> <ns4:bold>Methods:</ns4:bold> We performed Pearson’s correlation between the 4 behavioral risk factors and HIV prevalence by region in 47 nationally representative surveys from 27 sub-Saharan African countries, separately by gender. In addition, principal components analysis was used to reduce the eight risk factors (four for each gender) to two principal components (PCs). Mixed effects linear regression was used to assess the relationship between the resulting two PCs and HIV prevalence after controlling for the prevalence of male circumcision. </ns4:p> <ns4:p> <ns4:bold>Results:</ns4:bold> HIV prevalence varied by a median 3.7 fold (IQR 2.9-7.9) between regions within countries. HIV prevalence was strongly associated with higher risk sex and, to a lesser extent, the other risk factors evaluated. Both PCs were strongly associated with HIV prevalence when assessed via linear regression. </ns4:p> <ns4:p> <ns4:bold>Conclusions:</ns4:bold> Differences in sexual behavior may underpin the large differences in HIV-prevalence between subpopulation within sub-Saharan African countries. </ns4:p>
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».