Associations of hair cortisol levels with violence, poor mental health, and harmful alcohol and other substance use among female sex workers in Nairobi, Kenya
Notice bibliographique
Résumé
Violence, poor mental health, and harmful substance use are commonly experienced by female sex workers (FSWs) in sub-Saharan Africa, all of which are associated with increased HIV susceptibility. We aimed to investigate the associations between violence, poor mental health and harmful alcohol/substance use with hair cortisol concentration (HCC) levels as a potential biological pathway linking the experiences of these stressors and HIV vulnerability. We used the baseline data of the Maisha Fiti study of FSWs in Nairobi, Kenya. Participants reported recent violence, poor mental health, and harmful alcohol/substance use. Hair samples proximal to the scalp were collected to measure cortisol levels determined by ELISA. We analysed the data of 425 HIV-negative respondents who provided at least 2 cm of hair sample. The prevalence of recent violence was 89.3% (physical 54.6%; sexual 49.4%; emotional 77.0% and financial 66.5%), and 29.1% had been arrested due to sex work. 23.7% of participants reported moderate/severe depression, 11.6% moderate/severe anxiety, 13.5% PTSD and 10.8% recent suicidal thoughts and/or attempts. About half of the participants (48.8%) reported recent harmful alcohol and/or other substance use. In multivariable linear regression analyses, both physical and/or sexual violence (adjusted geometric mean ratio (aGMR) = 1.28; 95% CI 1.01-1.62) and harmful alcohol and/or other substance use (aGMR = 1.31; 95% CI 1.03-1.65) were positively and independently associated with increased HCC levels. Findings suggest a role of violence and substance use in elevated HCC levels, which could increase HIV risk due to cortisol-related T cell activation. However, longitudinal and mechanistic studies are needed to confirm this hypothesis.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».