HIV-infected individuals who use alcohol and other drugs, and virologic suppression
Notice bibliographique
Résumé
People living with HIV (PLWH) on antiretroviral therapy (ART) who use substances were examined to (a) describe those with virologic control and (b) determine which substance use-factors are associated with lack of virologic control. Participants were adult PLWH taking ART with either past 12-month DSM-IV substance dependence or past 30-day alcohol or illicit drug use. Substance use factors included number of DSM-IV alcohol or drug dependence criteria and past 30-day specific substance use. Associations with HIV viral load (HVL) (<200 vs. ≥200 copies/mL) were tested using logistic regression models. Multivariable analyses adjusted for age, sex, homelessness and anxiety or depression. Participants (n = 202) were median age 50 years, 66% male, 51% African American and 75% self-reported ≥90% past 30-day ART adherence. Though HVL suppression (HVL <200 copies/mL) was achieved in 78% (158/202), past 30-day substance use was common among this group: 77% cigarette use; 51% heavy alcohol use; 50% marijuana; 27% cocaine; 16% heroin; and 15% illicit prescription opioid use. After adjusting for covariates, specific substance use was not associated with a detectable HVL, however number of past 12-month DSM-IV drug dependence criteria was (adjusted odds ratio = 1.23 for each additional criterion, 95% CI: 1.04-1.46). Three-quarters of a substance-using cohort of PLWH receiving ART had virologic control and ≥90% ART adherence. Substance dependence criteria (particularly drug dependence), not specifically substance use, were associated with lack of virologic control. Optimal HIV outcomes can be achieved by individuals who use alcohol or drugs and addressing symptoms of substance dependence may improve HIV-related outcomes.
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 | 0,001 |
| 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 ».