Acceptability of PrEP among MSM and transgender communities—Qualitative findings from two metropolitan cities in India
Notice bibliographique
Résumé
BACKGROUND: Global evidence suggests that Pre-Exposure Prophylaxis (PrEP) plays a pivotal role in reducing new HIV-infections among key populations (KP). However, the acceptability of PrEP differs across different geographical and cultural settings and among different KP typologies. Men who have sex with men (MSM) and transgender (TG) communities in India have around 15-17 times higher prevalence of human immunodeficiency virus (HIV) than the general population. The low rates of consistent condom use and poor coverage of HIV testing and treatment among the MSM and transgender communities highlight the need for alternative HIV prevention options. METHODS: We used data from 20 in-depth interviews and 24 focused group discussions involving 143 MSM and 97 transgender individuals from the two metropolitan cities (Bengaluru and Delhi) in India to qualitatively explore their acceptability of PrEP as a HIV prevention tool. We coded data in NVivo and conducted extensive thematic content analysis. RESULTS: Awareness and use of PrEP were minimal among the MSM and transgender communities in both cities. However, on being provided with information on PrEP, both MSM and transgender communities expressed willingness to use PrEP as an additional HIV-prevention tool, to complement inability to consistently use condoms. PrEP was also perceived as a tool that could enhance the uptake of HIV-testing and counseling services. PrEP awareness, availability, accessibility and affordability were identified as determining factors that could influence its acceptability. Challenges such as stigma and discrimination, interrupted supply of drugs and non-community-friendly drug dispensing sites were identified barriers to continuing PrEP. CONCLUSIONS: Using qualitative data from two Indian settings, this study provides community perspectives and recommendations to stakeholders and policymakers for introduction of PrEP into programs as a prevention tool among MSM and transgender communities in India.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,005 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».