Drug use and phylogenetic clustering of hepatitis C virus infection among people who use drugs in Vancouver, Canada: A latent class analysis approach
Notice bibliographique
Résumé
This study estimated latent classes (ie, unobserved subgroups in a population) of people who use drugs in Vancouver, Canada, and examined how these classes relate to phylogenetic clustering of hepatitis C virus (HCV) infection. HCV antibody-positive people who use drugs from two cohorts in Vancouver, Canada (1996-2012), with a Core-E2 sequence were included. Time-stamped phylogenetic trees were inferred, and phylogenetic clustering was determined by time to most common recent ancestor. Latent classes were estimated, and the association with the phylogenetic clustering outcome was assessed using an inclusive classify/analyse approach. Among 699 HCV RNA-positive participants (26% female, 24% HIV+), recent drug use included injecting cocaine (80%), injecting heroin (70%), injecting cocaine/heroin (ie, speedball, 38%) and crack cocaine smoking (28%). Latent class analysis identified four distinct subgroups of drug use typologies: (i) cocaine injecting, (ii) opioid and cocaine injecting, (iii) crack cocaine smoking and (iv) heroin injecting and currently receiving opioid substitution therapy. After adjusting for age and HIV infection, compared to the group defined by heroin injecting and currently receiving opioid substitution therapy, the odds of phylogenetic cluster membership was greater in the cocaine injecting group (adjusted OR [aOR]: 3.06; 95% CI: 1.73, 5.42) and lower in the crack cocaine smoking group (aOR: 0.06; 95% CI: 0.01, 0.48). Combining latent class and phylogenetic clustering analyses provides novel insights into the complex dynamics of HCV transmission. Incorporating differing risk profiles associated with drug use may provide opportunities to further optimize and target HCV treatment and prevention strategies.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».