The Future Face of Coinfection
Notice bibliographique
Résumé
The purpose of this study was to determine the prevalence and incidence of HIV and hepatitis C virus (HCV) coinfection among young (aged 29 years or younger) injection drug users (IDUs) and to compare sociodemographic and risk characteristics between (HIV/HCV) coinfected, monoinfected, or HIV- and HCV-negative youth. Data were collected through the Vancouver Injection Drug Users Study (VIDUS). To date, more than 1400 IDUs have been enrolled and followed, of whom 479 were aged 29 years or younger. Semiannually, participants have completed an interviewer-administered questionnaire and have undergone serologic testing for HIV and HCV. Univariate and multivariate logistic regression analyses were undertaken to investigate predictors of baseline coinfection. Cox regression models with time-dependent covariates were used to identify predictors of time to secondary infection seroconversion. A Cochran-Armitage trend test was used to determine risk associations across 3 categories: no infection, monoinfection, and coinfection. Of the 479 young injectors, 78 (16%) were coinfected with HIV and HCV at baseline and a further 45 (15%) with follow-up data became coinfected during the study period. Baseline coinfection was independently associated with being female, being aboriginal, older age, greater number of years injecting, and living in the IDU epicenter. Factors independently associated with time to secondary infection seroconversion were borrowing needles and greater than once-daily cocaine injection, and accessing methadone maintenance therapy in the previous 6 months was protective. There were clear trends across the 3 categories for increasing proportions of female subjects, aboriginal subjects, older age, greater number of years injecting, living in the IDU epicenter, and daily cocaine use. There were a shocking number of youth living with coinfection, particularly female and aboriginal youth. The median number of years injecting for youth seroconverting to a secondary infection was 3 years, suggesting that appropriate public health interventions should be implemented immediately.
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 | 0,002 | 0,005 |
| 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 | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,003 |
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 ».