County-level factors affecting Latino HIV disparities in the United States
Notice bibliographique
Résumé
OBJECTIVE: To determine which county-level social, economic, demographic, epidemiologic and access to care factors are associated with Latino/non-Latino White disparities in prevalence of diagnosed HIV infection. METHODS AND FINDINGS: We used 2016 county-level prevalence rates of diagnosed HIV infection rates for Latinos and non-Latino Whites obtained from the National HIV Surveillance System and factors obtained from multiple publicly available datasets. We used mixed effects Poisson modeling of observed HIV prevalence at the county-level to identify county-level factors that explained homogeneous effects across race/ethnicity and differential effects for Latinos and NL-Whites. Overall, the median Latinos disparity in HIV prevalence is 2.4; 94% of the counties have higher rates for Latinos than non-Latinos, and one-quarter of the counties' disparities exceeded 10. Of the 41 county-level factors examined, 24 showed significant effect modification when examined individually. In multi-variable modeling, 11 county-level factors were found that significantly affected disparities. Factors that increased disparity with higher, compared to lower values included proportion of HIV diagnoses due to injection drug use, percent Latino living in poverty, percent not English proficient, and percent Puerto Rican. Latino disparities increased with decreasing percent severe housing, drug overdose mortality rate, percent rural, female prevalence rate, social association rate, percent change in Latino population, and Latino to NL-White proportion of the population. These factors while significant had minimal effects on diminishing disparity, but did substantially reduce the variance in disparity rates. CONCLUSIONS: Large differences in HIV prevalence rates persist across almost all counties even after controlling for county-level factors. Counties that are more rural, have fewer Latinos, or have lower NL-White prevalence rates tend to have higher disparities. There is also higher disparity when community risk is low.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».