On the compounding manifestations of racism shaping the US HIV/AIDS epidemic: why ending the HIV epidemic must address these factors for success
Notice bibliographique
Résumé
OBJECTIVE: Growing racial/ethnic inequities in healthcare access and racially segregated sexual mixing contribute to persistent disparities in HIV incidence in the US. We aim to examine the extent to which eliminating racial/ethnic inequities in healthcare access could reduce disparities in HIV incidence and its interaction with assortative sexual mixing. DESIGN: A mathematical model. METHODS: We used two independently developed HIV transmission models to estimate HIV incidence among Black, Hispanic/Latino, and White/Other MSM and the corresponding incidence rate ratios (IRRs) comparing Black and Hispanic/Latino to White/Other as a measure of disparity in the four "Ending the HIV Epidemic (EHE)" counties in Georgia. We compared three scenarios: status quo; equal service access across racial/ethnic groups with reported assortative sexual mixing by race/ethnicity; and equal service access with random sexual mixing. We standardized both models to enhance comparability. RESULTS: Under the status quo, both models projected a reduction in overall HIV incidence but persistent racial/ethnic disparities, with an IRR as large as 8.3 between Black and White/Other MSM. Compared to the status quo, providing equal health service access resulted in a modest reduction in IRRs with reported assortative sexual mixing in 2030, but yielded a much greater reduction when sexual mixing was at random: IRR reduced by up to 38.8% and 58.3% between Black and White/Other MSM in the two models. CONCLUSION: This study highlights racially segregated sexual mixing as a barrier to efforts to mitigate racial/ethnic disparities in HIV incidence. Reaching EHE targets will require not only equitable healthcare access but also strategies addressing sexual racism and other structural barriers.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».