MétaCan
Menu
Retour à la cohorte
Enregistrement W3098387331 · doi:10.2196/21688

Availability and Quality of Surveillance and Survey Data on HIV Prevalence Among Sex Workers, Men Who Have Sex With Men, People Who Inject Drugs, and Transgender Women in Low- and Middle-Income Countries: Review of Available Data (2001-2017)

2020· review· en· W3098387331 sur OpenAlexvenueno aff
Sonia Arias Garcia, Jia Chen, Jesus Garcia Calleja, Keith Sabin, Chinelo Ogbuanu, David Lowrance, Jinkou Zhao

Notice bibliographique

RevueJMIR Public Health and Surveillance · 2020
Typereview
Langueen
DomaineMedicine
ThématiqueHIV, Drug Use, Sexual Risk
Établissements canadiensnon disponible
Organismes subventionnairesJoint United Nations Programme on HIV/AIDSWorld Health OrganizationGlobal Fund to Fight AIDS, Tuberculosis and Malaria
Mots-clésMen who have sex with menMedicineDemographyData qualityHuman immunodeficiency virus (HIV)Data collectionEnvironmental healthGerontologyFamily medicineSyphilis

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: In 2019, 62% of new HIV infections occurred among key populations (KPs) and their sexual partners. The World Health Organization (WHO) recommends implementation of bio-behavioral surveys every 2-3 years to obtain HIV prevalence data for all KPs. However, the collection of these data is often less frequent and geographically limited. OBJECTIVE: This study intended to assess the availability and quality of HIV prevalence data among sex workers (SWs), men who have sex with men (MSM), people who inject drugs, and transgender women (transwomen) in low- and middle-income countries. METHODS: Data were obtained from survey reports, national reports, journal articles, and other grey literature available to the Global Fund, Joint United Nations Programme on HIV/AIDS, and WHO or from other open sources. Elements reviewed included names of subnational units, HIV prevalence, sampling method, and size. Based on geographical coverage, availability of trends over time, and recency of estimates, data were categorized by country and grouped as follows: nationally adequate, locally adequate but nationally inadequate, no recent data, no trends available, and no data. RESULTS: Among the 123 countries assessed, 91.9% (113/123) presented at least 1 HIV prevalence data point for any KP; 78.0% (96/123) presented data for at least 2 groups; and 51.2% (63/123), for at least 3 groups. Data on all 4 groups were available for only 14.6% (18/123) of the countries. HIV prevalence data for SWs, MSM, people who inject drugs, and transwomen were available in 86.2% (106/123), 80.5% (99/123), 45.5% (56/123), and 23.6% (29/123) of the countries, respectively. Only 10.6% (13/123) of the countries presented nationally adequate data for any KP between 2001 and 2017; 6 for SWs; 2 for MSM; and 5 for people who inject drugs. Moreover, 26.8% (33/123) of the countries were categorized as locally adequate but nationally inadequate, mostly for SWs and MSM. No trend data on SWs and MSM were available for 38.2% (47/123) and 43.9% (54/123) of the countries, respectively, while no data on people who inject drugs and transwomen were available for 76.4% (94/123) and 54.5% (67/123) of the countries, respectively. An increase in the number of data points was observed for MSM and transwomen. Overall increases were noted in the number and proportions of data points, especially for MSM, people who inject drugs, and transwomen, with sample sizes exceeding 100. CONCLUSIONS: Despite general improvements in health data availability and quality, the availability of HIV prevalence data among the most vulnerable populations in low- and middle-income countries remains insufficient. Data collection should be expanded to include behavioral, clinical, and epidemiologic data through context-specific differentiated survey approaches while emphasizing data use for program improvements. Ending the HIV epidemic by 2030 is possible only if the epidemic is controlled among KPs.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,044
score de la tête « metaresearch » (Gemma)0,118
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,044
Score d'incertitude au seuil0,235

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0440,118
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0030,003
Bibliométrie0,0190,023
Études des sciences et des technologies0,0010,002
Communication savante0,0040,004
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,152
Tête enseignante GPT0,392
Écart entre enseignants0,241 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Public Health and SurveillanceMême sujetHIV, Drug Use, Sexual RiskTravaux en français237 207