Elucidating Drivers for Variations in the Explosive Human Immunodeficiency Virus Epidemic Among People Who Inject Drugs in Pakistan
Notice bibliographique
Résumé
BACKGROUND: Pakistan's explosive human immunodeficiency virus (HIV) epidemic among people who inject drugs (PWID) varies widely across cities. We evaluated possible drivers for these variations. METHODS: Multivariable regression analyses were undertaken using data from 5 national surveys among PWID (n = 18 467; 2005-2017) to determine risk factors associated with variations in city-level HIV prevalence. A dynamic HIV model was used to estimate the population-attributable fraction (PAF; proportion of HIV infections prevented over 10 years when that risk factor is removed) of these risk factors to HIV transmission and impact on HIV incidence of reducing their prevalence. RESULTS: Regression analyses suggested that city-level HIV prevalence is strongly associated with the prevalence of using professional injectors at last injection, heroin use in last month, and injecting ≥4 times per day. Through calibrating a model to these associations, we estimate that the 10-year PAFs of using professional injectors, heroin use, and frequent injecting are 45.3% (95% uncertainty interval [UI], 4.3%-79.7%), 45.9% (95% UI, 8.1%-78.4%), and 22.2% (95% UI, 2.0%-58.4%), respectively. Reducing to lowest city-level prevalences of using professional injectors (2.8%; median 89.9% reduction), heroin use (0.9%; median 91.2% reduction), and frequent injecting (0.1%; median 91.8% reduction) in 2020 reduces overall HIV incidence by 52.7% (95% UI, 6.1%-82.0%), 53.0% (95% UI, 11.3%-80.2%), and 28.1% (95% UI, 2.7%-66.6%), respectively, over 10 years. CONCLUSIONS: Interventions should focus on these risk factors to control Pakistan's explosive HIV epidemic among PWID, including a concomitant expansion of high-coverage needle/syringe provision, opioid substitution therapy, and antiretroviral therapy.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».