Rates and predictors of injury in a population-based cohort of people living with HIV
Notice bibliographique
Résumé
OBJECTIVES: Injuries are responsible for 10% of the global burden of disease; however, the epidemiology of injury among people living with HIV (PLHIV) has not been well elucidated. This study seeks to characterize rates and predictors of injury among PLHIV compared to the general population in British Columbia (BC), Canada. DESIGN: A population-based dataset was created via linkage between the BC Centre for Excellence in HIV/AIDS and PopulationDataBC. METHODS: PLHIV aged 20 years and older were compared to a random 10% sample of the adult general population. The International Classification of Diseases 9 and 10 codes were used to classify unintentional and intentional injuries based on the external cause of the injury from 1996 to 2013. Generalized estimating equation (GEE) Poisson regression models were fit to estimate the effect of HIV status on rates of unintentional and intentional injury, and to identify correlates of injury among PLHIV. RESULTS: The crude incidence rate of unintentional injury was 18.56/1000 person-years [95% confidence interval (CI) 17.77-19.39] among PLHIV and 8.51/1000 person-years (95% CI 8.42-8.59) in the general population. Among PLHIV, 13.45% of deaths were due to injury, compared to 5.52% of deaths in the general population. In adjusted models, PLHIV were more likely to report unintentional (incidence rate ratio 1.42, 95% CI 1.32-1.52) and intentional injury (incidence rate ratio 1.93, 95% CI 1.70-2.18) compared to the general population. CONCLUSIONS: We identified elevated rates of intentional and unintentional injury among PLHIV. Injuries are largely preventable; as such, targeted efforts are needed to decrease the burden of injury-related disability and death among PLHIV.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».