Recent sexual violence exposure is associated with immune biomarkers of HIV susceptibility in women
Notice bibliographique
Résumé
PROBLEM: HIV/AIDS and sexual violence act synergistically and compromise women's health. Yet, immuno-biological mechanisms linking sexual violence and increased HIV susceptibility are poorly understood. METHODS: We conducted a cross-sectional pilot study of HIV-uninfected women, comparing 13 women exposed to forced vaginal penetration within the past 12 weeks (Exposed) with 25 Non-Exposed women. ELISA assays were conducted for 49 biomarkers associated with HIV pathogenesis in plasma and cervicovaginal lavage (CVL). Differences between Exposed and Non-Exposed were analyzed by linear and logistic regression, using propensity score weighting to control for age, race, socioeconomic status, menstrual cycle, and contraceptive use. RESULTS: In CVL, Exposed women had significantly reduced chemokines MIP-3α (p < .01), MCP-1 (p < .01), and anti-HIV/wound-healing thrombospondin-1 (p = .03). They also had significantly increased inflammatory cytokine IL-1α (p < 0.01) and were more likely to have detectable wound-healing PDGF (p = .02). In plasma, Exposed women had reduced chemokines MIP-3α (p < .01) and IL-8 (p < .01), anti-inflammatory cytokine TGF-β (p = .02), anti-HIV/antimicrobial HBD-2 (p = .02), and wound-healing MMP-1 (p = 0.02). They also had increased thrombospondin-1 (p < .01) and Cathepsin B (p = .01). After applying the stringent method of false discovery rate adjustment, differences for IL-1α (p = .05) and MCP-1 (p = .03) in CVL and MIP-3α (p = .03) in plasma remained significant. CONCLUSIONS: We report systemic and mucosal immune dysregulation in women exposed to sexual violence. As these biomarkers have been associated with HIV pathogenesis, dysregulation may increase HIV susceptibility.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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 ».