Social and Environmental Predictors of Plasma HIV RNA Rebound Among Injection Drug Users Treated With Antiretroviral Therapy
Notice bibliographique
Résumé
INTRODUCTION: Evidence is needed to improve HIV treatment outcomes for individuals who use injection drugs (IDU). Although studies have suggested higher rates of plasma viral load (PVL) rebound among IDU on antiretroviral therapy (ART), risk factors for rebound have not been thoroughly investigated. METHODS: We used data from a long-running community-recruited prospective cohort of IDU in Vancouver, Canada, linked to comprehensive ART and clinical monitoring records. Using proportional hazards methods, we modeled the time to confirmed PVL rebound above 1000 copies per milliliter among IDU on ART with sustained viral suppression, defined as 2 consecutive undetectable PVL measures. RESULTS: Between 1996 and 2009, 277 individuals had sustained viral suppression. Over a median follow-up of 32 months, 125 participants (45.1%) experienced at least 1 episode of virologic failure for an incidence of 12.6 [95% confidence interval (CI): 10.5 to 15.0] per 100 person-years. In a multivariate model, PVL rebound was independently associated with sex-trade involvement [adjusted hazard ratio (AHR) = 1.40, 95% CI: 1.08 to 1.82) and recent incarceration (AHR = 1.83, 95% CI: 1.33 to 2.52). Methadone maintenance therapy (AHR = 0.79, 95% CI: 0.66 to 0.94) was protective. No measure of illicit drug use was predictive. CONCLUSIONS: In this setting of free ART, several social and environmental factors predicted higher risks of viral rebound among IDU, including sex-trade involvement and incarceration. These findings should help inform efforts to identify individuals at risk of viral rebound and targeted interventions to treat and retain individuals in effective ART.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».