Effects of Patient Sexual Orientation and Gender Identity on Medical Students' Decision Making Regarding Preexposure Prophylaxis for Human Immunodeficiency Virus Prevention: A Vignette-Based Study
Notice bibliographique
Résumé
INTRODUCTION: Preexposure prophylaxis (PrEP) is a pillar of our national strategy to end the human immunodeficiency virus (HIV) epidemic. However, one of the largest obstacles to realizing the effectiveness of PrEP is expansion of prescription to all patients at risk for HIV. In this vignette-based study, we sought to investigate medical students' decision making regarding PrEP by presenting fictional patients, all of whom had HIV risk factors based on sexual behavior. METHODS: We systematically varied patients' sexual orientation or gender identity (heterosexual female, gay male, bisexual male, transgender male, transgender female, gender nonbinary person). We assessed the medical students' willingness to prescribe PrEP to the patients, as well as their perceptions of the patients' HIV risk and behavior. RESULTS: A total of 670 US medical students completed the study. The heterosexual female patient was least frequently identified as a PrEP candidate, was viewed as least likely to adhere to PrEP, and the most likely to engage in condomless sex if prescribed PrEP; however, was considered at lower overall HIV risk. Lower perceived HIV risk and anticipated PrEP adherence were both associated with lower willingness to prescribe PrEP. Willingness to prescribe PrEP was highest for the gay male patient and lowest for the heterosexual female. CONCLUSIONS: These analyses suggest that assumptions about epidemiological risk based on patients' gender identity or sexual orientation may reduce willingness to prescribe PrEP to heterosexual women, ultimately hindering uptake in this critical 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 | 0,001 |
| 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 ».