Mapping Key Populations to Develop Improved HIV and AIDS Interventions: Multiphase Cross-Sectional Observational Mapping Study Using a District and City Approach
Notice bibliographique
Résumé
BACKGROUND: Indonesia's vast archipelago and substantial population size present unique challenges in addressing its multifaceted HIV epidemic, with 90% of its 514 districts and cities reporting cases. Identifying key populations (KPs) is essential for effectively targeting interventions and allocating resources to address the changing dynamics of the epidemic. OBJECTIVE: We examine the 2022 mapping of Indonesia's KPs to develop improved HIV and AIDS interventions. METHODS: In 2022, a district-based mapping of KPs was conducted across 201 districts and cities chosen for their HIV program intensity. This multiphase process included participatory workshops for hotspot identification, followed by direct hotspot observation, then followed by a second direct observation in selected hotspots for quality control. Data from 49,346 informants (KPs) were collected and analyzed. The results from individual hotspots were aggregated at the district or city level, and a formula was used to estimate the population size. RESULTS: The mapping initiative identified 18,339 hotspots across 201 districts and cities, revealing substantial disparities in hotspot distribution. Of the 18,339 hotspots, 16,964 (92.5%) were observed, of which 1822 (10.74%) underwent a second review to enhance data accuracy. The findings mostly aligned with local stakeholders' estimates, but showed a lower median. Interviews indicated a shift in KP dynamics, with a median decline in hotspot attendance since the pandemic, and there was notable variation in mapping results across district categories. In "comprehensive" areas, the average results for men who have sex with men (MSM), people who inject drugs, transgender women, and female sex workers (FSWs) were 1008 (median 694, IQR 317-1367), 224 (median 114, IQR 59-202), 196 (median 167, IQR 81-265), and 775 (median 573, IQR 352-1131), respectively. "Medium" areas had lower averages: MSM at 381 (median 199, IQR 91-454), people who inject drugs at 51 (median 54, IQR 15-63), transgender women at 101 (median 55, IQR 29-127), and FSWs at 304 (median 231, IQR 118-425). "Basic" areas showed the lowest averages: MSM at 161 (median 73, IQR 49-285), people who inject drugs at 7 (median 7, IQR 7-7), transgender women at 59 (median 26, IQR 12-60), and FSWs at 161 (median 131, IQR 59-188). Comparisons with ongoing outreach programs revealed substantial differences: the mapped MSM population was >50% lower than program coverage; the estimates for people who inject drugs were twice as high as the program coverage. CONCLUSIONS: The mapping results highlight significant variations in hotspots and KPs across districts and cities and underscore the necessity of adaptive HIV prevention strategies. The findings informed programmatic decisions, such as reallocating resources to underserved districts and recalibrating outreach strategies to better match KP dynamics. Developing strategies beyond identified hotspots, integrating mapping data into planning, and adopting a longitudinal approach to understand KP behavior over time are critical for effective HIV and AIDS prevention and control.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».