Feasibility, challenges, and lessons learned in implementing antiretroviral adherence club models in Northern Tanzania
Notice bibliographique
Résumé
Introduction: In Tanzania, nearly 1.6 million adults were living with HIV in 2022, with an HIV prevalence rate of 4.4%. We piloted community health worker-managed adherence clubs in two clinics in Shinyanga, Tanzania. We previously demonstrated better stability in care and improved treatment adherence following the establishment of clubs. This study evaluated referral back to the facility, feasibility, and challenges to inform potential scale-up.Method: The study included clubs from two clinics between July 2018 and September 2019, Ngokolo (13 clubs) and Bugisi (33 clubs), all located in the Shinyanga region. Clinicians invited stable clients to join an AC if they met eligibility criteria. Logistic regression models identified factors associated with the likelihood of clients’ referral back to the facilitiesResults: The setup of the adherence clubs was feasible and successful. In one year, 46 clubs with 617 clients were established. Thirty-eight clients (6.3 %) were referred back to the clinics. Factors associated with being referred back were lower age (below 25 compared to above), having ever missed AC visits, and a rural site. Challenges included start-up problems with wrongful enrolments, the need for additional staff to facilitate the club model, the duplication of data collection tools, and the need for youth-friendly adherence clubs.Conclusion: Task shifting to community health workers to manage the clubs was successful. Despite its success, it required a higher level of organisation, particularly during the setup phase. These findings support the revision of the National HIV guideline to formally integrate community health worker-led adherence clubs, ensuring scalability and sustainability
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 | 0,007 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| 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 | 0,002 |
| 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 ».