Characterizing and mapping the spatial variability of HIV risk among adolescent girls and young women: A cross-county analysis of population-based surveys in Eswatini, Haiti, and Mozambique
Notice bibliographique
Résumé
BACKGROUND: To stem the HIV epidemic among adolescent girls and young women (AGYW), prevention programs must target services towards those most at risk for HIV. This paper investigates approaches to estimate HIV risk and map the spatial heterogeneity of at-risk populations in three countries: Eswatini, Haiti and Mozambique. METHODS: We analyzed HIV biomarker and risk factor data from recent population-based household surveys. We characterized risk using three approaches: complementary log-log regression, latent class analysis (LCA), and presence of at least one risk factor. We calculated the proportion and 95 percent confidence intervals of HIV-negative AGYW at risk across the three methods and employed Chi-square tests to investigate associations between risk classification and HIV status. Using geolocated survey data at enumeration clusters and high-resolution satellite imagery, we applied algorithms to predict the number and proportion of at-risk AGYW at hyperlocal levels. RESULTS: The any-risk approach yielded the highest proportion of at-risk and HIV-negative AGYW across five-year age bands: 26%-49% in Eswatini, 52%-67% in Haiti, and 32%-84% in Mozambique. Using LCA, between 8%-16% of AGYW in Eswatini, 37%-62% in Haiti, and 56%-80% in Mozambique belonged to a high vulnerability profile. In Haiti and Mozambique, the regression-based profile yielded the lowest estimate of at-risk AGYW. In general, AGYW characterized as "at risk" across the three methods had significantly higher odds of HIV infection. Hyperlocal maps indicated high levels of spatial heterogeneity in HIV risk prevalence and population density of at-risk AGYW within countries. CONCLUSION: Characterizing risk among AGYW can help HIV prevention programs better understand the differential effect of multiple risk factors, facilitate early identification of high-risk AGYW, and design tailored interventions. Hyperlocal mapping of these at-risk populations can help program planners target prevention interventions to geographic areas with populations at greatest risk for HIV to achieve maximal impact on HIV incidence reduction.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».