Socioeconomic factors impact the risk of HIV acquisition in the township population of South Africa: A Bayesian analysis
Notice bibliographique
Résumé
With a prevalence almost twice as high as the national average, people living in South African townships are particularly impacted by the HIV epidemic. Yet, it remains unclear how socioeconomic factors impact the risk of HIV infection within township populations. Our objective was to estimate the extent to which socioeconomic factors (dwelling situation, education, employment status, and monthly income) explain the risk of HIV in South African township populations, after controlling for behavioural and individual risk factors. Using Bayesian logistic regression, we analysed secondary data from a quasi-randomised trial which recruited participants (N = 3095) from townships located across three subdistricts of Cape Town. We controlled for individual factors (age, sex, marital status, testing history, HIV exposure, comorbidities, and tuberculosis infection) and behavioural factors (unprotected sex, sex with multiple partners, with sex workers, with a partner living with HIV, under the influence of alcohol or drugs), and accounted for the uncertainty due to missing data through multiple imputation. We found that residing in informal dwellings and not having post-secondary education increased the odds of HIV (aOR, 89% CrI: 1.34, 1.07-1.68 and 1.82, 1.29-2.61, respectively), after controlling for subdistrict of residence, individual, and behavioural factors. Additionally, our results suggest different pathways for how socioeconomic status (SES) affect HIV infection in males and female participants: while socioeconomic factors associated with lower SES seem to be associated with a decreased likelihood of having recently sough HIV testing among male participants, they are associated with increased sexual risk taking which, among female participants, increase the risk of HIV. Our analyses demonstrate that social determinants of health are at the root of the HIV epidemic and affect the risk of HIV in multiple ways. These findings stress the need for the deployment of programs that specifically address social determinants of health.
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 | 0,019 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,005 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».