Characterizing HIV Transmission Networks Across the United States
Notice bibliographique
Résumé
BACKGROUND: Clinically, human immunodeficiency virus type 1 (HIV-1) pol sequences are used to evaluate for drug resistance. These data can also be used to evaluate transmission networks and help describe factors associated with transmission risk. METHODS: HIV-1 pol sequences from participants at 5 sites in the CFAR Network of Integrated Clinical Systems (CNICS) cohort from 2000-2009 were analyzed for genetic relatedness. Only the first available sequence per participant was included. Inferred transmission networks ("clusters") were defined as ≥2 sequences with ≤1.5% genetic distance. Clusters including ≥3 patients ("networks") were evaluated for clinical and demographic associations. RESULTS: Of 3697 sequences, 24% fell into inferred clusters: 155 clusters of 2 individuals ("dyads"), 54 clusters that included 3-14 individuals ("networks"), and 1 large cluster that included 336 individuals across all study sites. In multivariable analyses, factors associated with being in a cluster included not using antiretroviral (ARV) drugs at time of sampling (P < .001), sequence collected after 2004 (P < .001), CD4 cell count >350 cells/mL (P < .01), and viral load 10,000-100,000 copies/mL (P < .001) or >100,000 copies/mL (P < .001). In networks, women were more likely to cluster with other women (P < .001), and African Americans with other African Americans (P < .001). CONCLUSIONS: Molecular epidemiology can be applied to study HIV transmission networks in geographically and demographically diverse cohorts. Clustering was associated with lack of ARV use and higher viral load, implying transmission may be interrupted by earlier diagnosis and treatment. Observed female and African American networks reinforce the importance of diagnosis and prevention efforts targeted by sex and race.
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 | 0,001 | 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 | 0,002 |
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 ».