HIV nonoccupational postexposure prophylaxis for sexual assault cases: a 3-year investigation
Notice bibliographique
Résumé
OBJECTIVE: Nonoccupational postexposure prophylaxis (nPEP) programs offer antiretroviral therapy to prevent HIV following at-risk exposures like sexual assault. We investigated the levels of elective nPEP uptake among sexual assault cases presenting for emergency medical care. DESIGN: Retrospective analysis. METHODS: The analysis included over 3 years (1 January 2015 to 30 September 2018) of clinic information from the Sexual Assault and Partner Abuse Care Program (SAPACP) at The Ottawa Hospital, the regional emergency department care point following sexual assault. Descriptive analyses assessed the number of cases eligible for nPEP and those who started nPEP. Bivariable/multivariable logistic regression modelling assessed factors most strongly associated with starting nPEP using odds ratios (OR), adjusted OR (AOR), and 95% confidence intervals (CI). RESULTS: The SAPACP saw 1712 patients; 1032 were sexual assault cases, 494 were eligible for nPEP, and 307/494 (62%) eligible patients started nPEP. The median age was 23 years (IQR: 20-31), with 446 (90%) cases being female. There were 86 (17%) cases who arrived by ambulance, and 279 (56%) assaults involving a known assailant. Reduced odds of starting nPEP were observed among female cases (AOR: 0.44, 95% CI: 0.21-0.93), those who arrived by ambulance (AOR: 0.56, 95% CI: 0.35-0.91), and those with a known assailant (AOR: 0.56, 95% CI: 0.36-0.78). CONCLUSION: We found that 62% of eligible sexual assault cases started nPEP. Key groups most likely to decline nPEP included female cases, those who arrived by ambulance, and those with known assailants. Providers can use these findings to provide recommendations to sexual assault survivors most likely to decline nPEP, yet still in need of care.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».