Declines in HIV prevalence in female sex workers accessing an HIV treatment and prevention programme in Nairobi, Kenya over a 10-year period
Notice bibliographique
Résumé
OBJECTIVES: Empirical time trends in HIV prevalence in female sex workers (FSWs) are helpful to understand the evolving HIV epidemic, and to monitor the scale-up, coverage, and impact of ongoing HIV prevention and treatment programmes. DESIGN: Serial HIV prevalence study. METHODS: We analyzed time trends in HIV prevalence in FSWs accessing services at seven Sex Worker Outreach Programme (SWOP) clinics in Nairobi from 2008 to 2017 (N = 33 560). The Mantel--Haenszel test for trend and independent samples Kruskal--Wallis test were used to analyze categorical and continuous variables, respectively. Multivariable binomial regression was used to estimate prevalence ratios/year, adjusting for several covariates. RESULTS: HIV prevalence decreased over time in all age groups. This was particularly evident among FSWs less than 25 years of age; HIV was 17.5% in 2008-2009, decreasing to 12.2% in 2010-2011, 8.3% in 2012-2013, 7.3% in 2014-2015, and 4.8% in 2016-2017 (P < 0.0001). Over time, FSWs reported increased condom use, particularly with regular partners, more frequent prior HIV testing, and were less likely to report a history of vaginal discharge (P < 0.0001). In adjusted analyses compared with 2008, HIV prevalence decreased in 2011 (aPR 0.64; 95% CI: 0.46-0.90), 2012 (aPR 0.58; 95% CI: 0.41-0.81), 2013 (aPR 0.53; 95% CI: 0.38-0.73), 2014 (aPR 0.48; 95% CI: 0.34-0.67), 2015 (aPR 0.50; 95% CI: 0.35-0.70), 2016 (aPR 0.40; 95% CI: 0.28-0.57), and 2017 (aPR 0.33; 95% CI: 0.22-0.50). CONCLUSION: HIV prevalence has decreased among FSW accessing SWOP in Nairobi, Kenya. This decline is consistent with the scale-up of HIV prevention and treatment efforts, both in FSWs and in the general population.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».