Women’s cellphone access and ownership in rural Uganda: implications for self-care interventions
Notice bibliographique
Résumé
BACKGROUND: The World Health Organization (WHO) call for cervical cancer elimination includes increasing global cervical screening coverage. HPV-based self-collection (HPV-SC) is a promising screening model for low- and middle-income countries (LMICs), and while digital technology, such as cellphones, can be used to streamline HPV-SC, there is limited data on digital technology penetration in LMICs. Determining women's cellphone access is critical to understanding the feasibility of using cellphones to support HPV-SC. METHODS: This study is a secondary analysis of a larger clinical trial. Participants of a cluster-randomized trial comparing HPV-SC models in Uganda completed a survey, including questions about demographics, cellphone access/ownership, prior cervical cancer screening (CCS), and willingness to receive CCS information by text. A logistic regression model was used to determine adjusted rates of cellphone ownership using survey variables as factors. RESULTS: Of 2019 participants, 76.1% owned a cellphone. In non-cellphone owners (n = 483), 82.4% had daily cellphone access and 7.3% had no access. Compared to non-cellphone owners, cellphone owners were significantly older, more educated, closer to major health centers, more likely to have prior CCS, and more willing to receive a CCS text. In the logistic regression model, the aforementioned variables were all significantly associated with the odds of owning a cellphone. CONCLUSIONS: As health care systems consider adopting HPV-SC, it is imperative to understand digital technology penetration. The majority of participants were cellphone owners and were willing to receive CCS information by text; however, significant socioeconomic and demographic differences remain between cellphone owners and non-owners. Further investigation is needed to understand whether HPV-SC using cellphones is feasible in similar settings. TRIAL REGISTRATION: ISRCTN, 12767014 . CLINICALTRIALS: gov, NCT04000503 .
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 | 0,004 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».