Prescribing pre-exposure prophylaxis for HIV prevention: a cross-sectional survey of general practitioners in Australia
Notice bibliographique
Résumé
Background Pre-exposure prophylaxis (PrEP) is a safe and effective medication for preventing HIV acquisition. We examined Australian general practitioners' (GP) knowledge of PrEP efficacy, characteristics associated with ever prescribing PrEP and barriers to prescribing. Methods We conducted an online cross-sectional survey of GPs working in Australia between April and October 2022. We performed univariable and multivariable logistic regression analyses to identify factors associated with: (1) the belief that PrEP was at least 80% efficacious; and (2) ever prescribed PrEP. We asked participants to rate the extent to which barriers affected their prescribing of PrEP. Results A total of 407 participants with a median age of 38years (interquartile range 33-44) were included in the study. Half of the participants (50%, 205/407) identified how to correctly take PrEP, 63% (258/407) had ever prescribed PrEP and 45% (184/407) felt confident with prescribing PrEP. Ever prescribing PrEP was associated with younger age (AOR 0.97, 95% CI: 0.94-0.99), extra training in sexual health (AOR 2.57, 95% CI: 1.54-4.29) and being a S100 Prescriber (OR 2.95, 95% CI: 1.47-5.90). The main barriers to prescribing PrEP included: 'Difficulty identifying clients who require PrEP/relying on clients to ask for PrEP' (76%, 310/407), 'Lack of knowledge about PrEP' (70%, 286/407) and 'Lack of time' (69%, 281/407). Conclusion Less than half of our GP respondents were confident in prescribing PrEP, and most had difficulty identifying who would require PrEP. Specific training on PrEP, which focuses on PrEP knowledge, identifying suitable clients and making it time efficient, is recommended, with GPs being remunerated for their time.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».