Prevalence and Clustering Patterns of Human Papillomavirus Genotypes in Multiple Infections
Notice bibliographique
Résumé
Prevalence of multiple human papillomavirus (HPV) infections, involvement of specific HPV phylogenetic clades in multiple infections, and clustering patterns of multiple infections at the clade level were assessed in 854 HIV (-) and 275 HIV (+) women cross-sectionally. Reverse line blot assay was used to detect 27 HPV genotypes. Involvement of specific clades in coinfections and clustering patterns were assessed using HPV clade/genotype as the unit of analyses. Expected frequencies assuming independence for all possible clade combinations in two-genotype infections were derived using a multinomial expansion and comparisons of observed and expected frequencies were done using a composite goodness-of-fit test. In all, 100 two-genotype infections were detected; 61 in HIV (-) and 39 in HIV (+) women. Clade A9 (HPV types 16, 31, 33, 35, 52, and 58) was significantly less likely to be involved in multiple infections compared with all other clades (55.2% versus 64.6%; adjusted odds ratios, 0.68; 95% confidence interval, 0.48-0.95). Observed patterns for all possible clade combinations (among HPV clades A3, A5, A6, A7, A9, and A10) in two-genotype infections did not significantly differ from those expected in the entire sample, across HIV, Pap smear, and age strata (all goodness-of-fit exact P > 0.20). These results indicate that clade A9 is less likely to be involved in multiple infections and that HPV genotypes predominantly establish multiple infections at random, with little positive/negative clustering for either phylogenetically related or unrelated types. The current method of analysis affords the opportunity to test clustering of a large number of HPV genotype/clade combinations at nominal alpha levels.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 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 ».