Comprehensive Analysis and Leveraging Online Innovations to Improve HIV and STI Prevention and Treatment Services in Major Cities of Thailand
Notice bibliographique
Résumé
Despite a 50% reduction in new HIV cases since 2010, HIV and sexually transmitted infections (STIs) remain pressing public health challenges in Thailand, particularly among marginalized and high-risk populations. This study examined 8,865 bookings made between October 1, 2023, and September 30, 2024, through Love2Test.org (L2T), a mobile platform launched in December 2020 to provide accessible sexual health services, including HIV testing and STI screening. Applying descriptive analysis, service utilization analysis, and K-means clustering, the study uncovered booking patterns, user demographics, and behavioral trends. L2T attracted a diverse user base, with 32.15% aged 15-24, 47.06% aged 25-34, 2.6% identifying as transgender women, and 16.59% as non-binary individuals, underscoring its inclusivity. HIV testing (38%) and STI screening (28%) were the most requested services, while Bangkok accounted for 74.5% of bookings, highlighting geographic disparities in access. Cluster analysis identified three user groups: older males seeking HIV tests, younger males and middle-aged non-binary individuals utilizing PrEP and STI screening, and a mixed group accessing both services. With 158,639 visitors and 8,865 service bookings, resulting in a visit-to-booking rate of 5.59%, L2T has proven instrumental in delivering confidential, targeted care to vulnerable groups. By addressing service gaps and promoting HIV testing, PrEP education, and STI prevention, L2T strengthens public health efforts. Expanding its outreach and improving service availability beyond Bangkok present opportunities to further reduce health disparities and bolster Thailand's response to HIV and STI challenges.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».