Comparison of US emergency departments by HIV priority jurisdiction designation: A case for geographically targeted screening in teaching hospitals
Notice bibliographique
Résumé
The Ending the HIV Epidemic (EHE) Initiative targets a subset of United States (US) priority jurisdictions hardest hit by HIV. It remains unclear which emergency departments (EDs) are the most appropriate targets for EHE-related efforts. To explore this, we used the 2001-2019 National Emergency Department Inventories (NEDI)-USA as a framework to characterize all US EDs, focusing on those in priority jurisdictions and those affiliated with a teaching hospital. We then incorporate multivariable regression to explore the association between ED characteristics and location in an HIV priority jurisdiction. Further, to provide context on the communities these EDs serve, demographic and socioeconomic information and sexually transmitted infection case rate data were included. This reflected 2019 US Census Bureau data on age, race, ethnicity, and proportion uninsured and living in poverty along with 2001-2019 Centers for Disease Control and Prevention case rate data on chlamydia, gonorrhea, and syphilis. We found that EDs in priority jurisdictions (compared to EDs not in priority jurisdictions) more often served populations emphasized in HIV-related efforts (i.e., Black or African American or Hispanic or Latino populations), communities with higher proportions uninsured and living in poverty, and counties with higher rates of chlamydia, gonorrhea, and syphilis. Further, of the groups studied, EDs with teaching hospital affiliations had the highest visit volumes and had steady visit volume growth. In regression, ED annual visit volume was associated with an increased odds of an ED being located in a priority jurisdiction. Our results suggest that geographically targeted screening for HIV in a subset of US priority jurisdiction EDs with a teaching hospital affiliation could be an efficient means to reach vulnerable populations and reduce the burden of undiagnosed HIV in the US.
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 | 0,010 | 0,062 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».