Integrating Oral Health Within Kenyan HIV Research & Policy Structure: Stakeholder Analysis
Notice bibliographique
Résumé
Background: Kenya has a remarkably high burden of oral diseases, especially in vulnerable communities like persons with HIV (PWH). In the last few decades, the National AIDS & STI Control Programme has efficiently and successfully provided care and prevention against HIV for people living in Kenya. Objective: To assess the feasibility of integrating oral health into HIV research and policy structures in Kenya. Methods: The study took place between November 2021 and April 2022 in the cities of Nairobi, Kisumu, Mombasa, and Eldoret town. Using a semi-structured interview, three remote and 14 in-person sessions were conducted. Participants included individuals with professional experience in HIV and/or oral health such as researchers, potential mentors, institutional administrators, and other grant-funded experts. A qualitative analysis of recordings was performed by nine pretested independent reviewers, all with qualitative data analysis experience. Areas of interest included research, motivation, obstacles, and support. The free coding phase as well as an iterative grouping analysis (MIRO) was used. Findings: Of the 22 stakeholders interviewed in the study, researchers accounted for the majority (48%) of stakeholders, with the rest composed of practitioners (29%), university administrators (19%), and one public health administrator. University administrators were identified as having the most ability for resource mobilization followed by researchers and practitioners. All participants desired improved health outcomes using an evidence-based approach. The primary motivators were increased networks, collaborations, publications, and bridging the gap between oral health and HIV. While the obstacles to their desires included time and lack of funding, Institutional support through recruitment of qualified personnel, mentors, and mentees was their major desirable support. Conclusion: Stakeholders were unanimous in supporting integrating oral health within the current research and policy environment to address the gap between oral health and HIV, and to improve health outcomes through evidence-based interventions.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,010 |
| 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 | 0,001 |
| 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 ».