Exploring the Patterns of Use and Acceptability of Mobile Phones Among People Living With HIV to Improve Care and Treatment: Cross-Sectional Study in Three Francophone West African Countries
Notice bibliographique
Résumé
BACKGROUND: The use of mobile technology in health care (mobile health [mHealth]) could be an innovative way to improve health care, especially for increasing retention in HIV care and adherence to treatment. However, there is a scarcity of studies on mHealth among people living with HIV (PLHIV) in West and Central Africa. OBJECTIVE: The aim of this study was to assess the acceptability of an mHealth intervention among PLHIV in three countries of West Africa. METHODS: A cross-sectional study among PLHIV was conducted in 2017 in three francophone West African countries: Côte d'Ivoire, Burkina Faso, and Togo. PLHIV followed in the six preselected HIV treatment and care centers, completed a standardized questionnaire on mobile phone possession, acceptability of mobile phone for HIV care and treatment, preference of mobile phone services, and phone sharing. Descriptive statistics and logistic regression were used to describe variables and assess factors associated with mHealth acceptability. RESULTS: A total of 1131 PLHIV-643 from Côte d'Ivoire, 239 from Togo, and 249 from Burkina Faso-participated in the study. Median age was 44 years, and 76.1% were women (n=861). Almost all participants owned a mobile phone (n=1107, 97.9%), and 12.6% (n=140) shared phones with a third party. Acceptability of mHealth was 98.8%, with the majority indicating their preference for both phone calls and text messages. Factors associated with mHealth acceptability were having a primary school education or no education (adjusted odds ratio=7.15, 95% CI 5.05-10.12; P<.001) and waiting over one hour before meeting a medical doctor on appointment day (adjusted odds ratio=1.84, 95% CI 1.30-2.62; P=.01). CONCLUSIONS: The use of mHealth in HIV treatment and care is highly acceptable among PLHIV and should be considered a viable tool to allow West and Central African countries to achieve the Joint United Nations Programme on HIV/AIDS 90-90-90 goals.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».