Rates of new HIV diagnoses among Indigenous peoples in Canada, Australia, New Zealand, and the United States: 2009–2017
Notice bibliographique
Résumé
OBJECTIVE: To compare rates and trends of HIV diagnoses among Indigenous peoples in Canada (First Nations, Métis, Inuit, and other non-specified), Australia (Aboriginal and Torres Strait Islanders), the USA (American Indian, Alaska Native, Native Hawaiian, and Other Pacific Islanders), and New Zealand (Māori). DESIGN: We employed publicly available surveillance data from 2009 to 2017 to estimate the rate per 100 000 of HIV diagnoses. Estimated annual percentage change (EAPC) in diagnosis rates was calculated using Poisson regression. SETTING: The four countries have passive population-based HIV surveillance programs. PARTICIPANTS: Population estimates from respective census programs were used as rate denominators. MAIN OUTCOME MEASURES: Estimated annual HIV diagnosis rate per 100 000 and EAPC were calculated for total Indigenous peoples, women, and men. RESULTS: As of 2017, rates of HIV were highest in Canada (16.22, 95% confidence interval (CI): 14.30--18.33) and lowest in New Zealand (1.36, 95% CI: 0.65--2.50). Australia had a rate of 3.81 (95% CI: 2.59--5.40) and the USA 3.22 (95% CI: 2.85--3.63). HIV diagnosis rates among the total Indigenous population decreased in Canada (-7.92 EAPC, 95% CI: -9.34 to -6.49) and in the USA (-4.25 EAPC, 95% CI: -5.75 to -2.73) but increased in Australia (5.10 EAPC, 95% CI: 0.39--10.08). No significant trends over time were observed in New Zealand (2.23 EAPC, 95% CI: -4.48 to 9.47). CONCLUSION: Despite limitations to conducting cross-national comparisons, there are substantial differences in HIV diagnosis rates in these four countries that may be reflective of divergent national policies and systems that affect the health status of Indigenous peoples.
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 | 0,001 | 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 ».