Risk factors of HIV and variation in access to clean needles among people who inject drugs in Pakistan
Notice bibliographique
Résumé
We identified key risk factors for HIV among people who inject drugs (PWID) in Pakistan and explored access to free clean needles. Multivariable logistic regression was used to investigate associations between HIV prevalence and demographic, behavioral, and socio-economic characteristics of PWID. Data came from the Government of Pakistan's Integrated Biological and Behavioral Surveillance (IBBS) Round 5 (2016-17; 14 cities). A secondary analysis investigated associations with reported access to clean needles. Unweighted HIV prevalence among 4,062 PWID (99% male) was 21.0%. Longer injecting duration (Odds ratio [OR] 1.06 [95% confidence interval: 1.02-1.10]; per year), higher injecting frequency (OR 1.67 [1.30-2.13]; per unit increase), and injecting heroin (OR 1.90 [1.11-3.25]) were positively associated with HIV prevalence. There was no association between using a used syringe at last injection and HIV. Having>10 years of education had lower odds of HIV than being illiterate (OR 0.58 [0.35-0.95]). Having a regular sexual partner (OR 0.74 [0.57-0.97]) or paying for sex with the opposite sex (OR = 0.62 [0.45-0.85]) had lower odds of HIV than not. Conversely, PWID paying a man/hijra for sex had higher odds of HIV (OR 1.20 [1.00-1.43]). Receipt of clean needles varied by city of residence (0-97% coverage), whilst PWID with knowledge of HIV service delivery programs had higher odds of receiving clean needles (OR 4.58 [3.50-5.99]). Injecting behaviors were associated with HIV prevalence among PWID, though risks related to paying for sex remain complicated. Geographical variation in access to clean needles suggests potential benefits of more widely spread public health services.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».