The epidemiology of HIV infection among female sex workers in Nairobi, Kenya: A structural determinants and life-course perspective
Notice bibliographique
Résumé
High HIV prevalence among female sex workers (FSWs) is heavily influenced by structural determinants (e.g. criminalisation of sex work; violence) and significant life events (e.g. orphanhood, teenage pregnancy). This study aims to understand the epidemiology of HIV among FSWs in Nairobi, Kenya using a structural determinants and life-course perspective. Baseline cross-sectional survey data were collected June–December 2019 for the Maisha Fiti study with 1003 FSWs (aged 18–45 years). Odds ratios and 95% confidence intervals were estimated using multivariable logistic regression with a hierarchical modelling approach. HIV prevalence was 28.0%, and increased with age (<25 years 5.7%, 25–34 years 19.0%, ≥35 years 40.6%). In adjusted analyses, HIV seroprevalence was associated with childhood and adolescence including violence from militia or soldiers (AOR = 1.60; 95%CI:1.00–2.53), young age at sexual debut (≤15 years old vs. ≥18 years AOR = 0.57; 95%CI:0.39–0.84) and teenage pregnancy (AOR = 1.37; 95%CI:1.00–1.88). For adulthood the factors included lower SES score (lowest vs. highest tertile AOR = 0.63; 95%CI:0.40–0.98); reduced housing insecurity (AOR = 0.52; 95%CI:0.54–0.79); lower alcohol/drug use score (AOR = 0.44; 95%CI:0.31–0.61); and a longer duration of selling sex (0–5 years vs. ≥11 years AOR = 2.35; 95%CI:1.44–3.82). Among HIV-negative FSWs, prevalence of HIV risk factors was high (recent hunger 32.3%; internalised 67.7% and experienced 66.0% sex work stigma; recent police arrest 30.1%; recent physical or sexual violence 65.6%, condomless last sex intimate partner 71.1%; harmful alcohol or substance use 49.1%). Only 24.6% of HIV-negative FSWs reported taking PrEP. Taken together, adverse events in childhood and adolescence were associated with increased odds of living with HIV, and were more strongly associated with HIV serostatus than adulthood structural or behavioural risk factors. HIV-negative FSWs remain at high risk of HIV acquisition. This study highlights the importance of addressing adverse events throughout the life course to reduce HIV risk, and the need to continue multi-level HIV prevention and treatment efforts.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».