Causes of mortality among female sex workers: Results of a multi-country study
Notice bibliographique
Résumé
Background: The vast majority of studies on female sex workers (FSW) focus on causes of morbidity while data on causes of mortality are scarce. In low- and middle-income countries, where civil registry and vital statistics data are often incomplete and FSW may not be identified as such in official registries, identifying causes of mortality among FSW has proven challenging. Methods: As part of a larger investigation on the maternal health of FSW, the current study used the Community Knowledge Approach (CKA) to identify causes of mortality among FSW in LMIC across three global regions in 2019. The CKA, validated to identify maternal, neonatal, and jaundice-associated deaths among women living in a community, was employed to identify deaths of any cause among communities of FSW. Study participants, recruited by in-country partner non-governmental organizations (NGOs) working with local FSW, provided detailed information about FSW deaths in their communities. Findings: 1280 FSW participated in 165 group meetings through which 2112 FSW deaths were identified. Of these reported deaths, 57·9% occurred in 2019 and 57·2% were among women aged 20-29. Causes of death included abortion (35·5%), other maternal causes (16·6%), suicide (13·6%), murder (12·5%), unclassified causes (11·6%), HIV/AIDS (7·9%), and accidents (3·2%). A total of 3659 children lost their mothers. Interpretation: Maternal death comprised the leading cause of FSW mortality in our sample. This methodology can be used by local governments and NGOs to identify unrecognized patterns and clusters of FSW deaths in near-real time and urgently steer targeted preventative strategies. Funding: New Venture Fund.
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 | 0,005 | 0,002 |
| 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 | 0,001 |
| 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 ».