Socio‐demographic and geographic disparities in HIV prevalence, HIV testing and treatment coverage: An analysis of 108 national household surveys in 33 African countries
Notice bibliographique
Résumé
INTRODUCTION: Socio-demographic and geographic disparities in HIV prevalence, uptake of HIV testing and access to antiretroviral therapy (ART) persist in high HIV burden countries. Understanding demographic, spatial and temporal factors can guide interventions. METHODS: We analysed 108 geo-referenced population-based surveys conducted over 2000-2023 across 33 African countries, involving 2.3 million respondents. Multilevel Bayesian logistic regression models assessed associations between HIV outcomes (HIV prevalence, recent HIV testing and ART coverage) and socio-demographic characteristics (age, education, place of residence, relative wealth), geographic location (country, district) and time trends. Separate models were estimated for men and women in central, eastern, southern and western Africa. RESULTS: Inequalities in HIV risk and access to testing and treatment services were driven by differences in educational attainment and within-country variations. In southern Africa, women with tertiary education had a 12%-point lower HIV prevalence (95% Credible Interval [CrI]: -27% to -2%) than those with less than primary education. In eastern Africa, they had a 13%-points (95% CrI: 2-22%) higher probability of recent HIV testing. Associations with relative wealth were weaker and more heterogeneous: in southern Africa, HIV prevalence shifted over time from higher to lower wealth quintiles, and adolescent girls and young women became the most frequently tested age group. In central Africa, wealthier men maintained higher recent testing and ART coverage levels. District-level variations accounted for disparities in HIV outcomes. In western Africa, the expected difference in ART coverage between individuals with similar socio-demographic characteristics living in different districts was 14%-points (95% CrI: 3-32%) for men and 10%-points (95% CrI: 3-27%) for women. CONCLUSIONS: Disparities in HIV outcomes are strongly associated with differences in education, and across districts of the same country. Higher education levels are associated with lower HIV prevalence, greater testing and higher ART coverage, while districts with limited services sustain higher population viraemia. Despite the scale-up of HIV prevention and treatment programmes, important disparities remain, and renewed education-centred and geographically targeted efforts are needed to close gaps.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».