Racial and ethnic disparities in COVID-19 disease incidence independent of comorbidities, among people with HIV in the US
Notice bibliographique
Résumé
OBJECTIVES: To define the incidence of clinically-detected COVID-19 in people with HIV (PWH) in the US and evaluate how racial and ethnic disparities, comorbidities, and HIV-related factors contribute to risk of COVID-19. DESIGN: Observational study within the CFAR Network of Integrated Clinical Systems cohort in 7 cities during 2020. METHODS: We calculated cumulative incidence rates of COVID-19 diagnosis among PWH in routine care by key characteristics including race/ethnicity, current and lowest CD4 count, and geographic area. We evaluated risk factors for COVID-19 among PWH using relative risk regression models adjusted with disease risk scores. RESULTS: Among 16,056 PWH in care, of whom 44.5% were Black, 12.5% were Hispanic, with a median age of 52 years (IQR 40-59), 18% had a current CD4 count < 350, including 7% < 200; 95.5% were on antiretroviral therapy, and 85.6% were virologically suppressed. Overall in 2020, 649 PWH were diagnosed with COVID-19 for a rate of 4.94 cases per 100 person-years. The cumulative incidence of COVID-19 was 2.4-fold and 1.7-fold higher in Hispanic and Black PWH respectively, than non-Hispanic White PWH. In adjusted analyses, factors associated with COVID-19 included female sex, Hispanic or Black identity, lowest historical CD4 count <350 (proxy for CD4 nadir), current low CD4/CD8 ratio, diabetes, and obesity. CONCLUSIONS: Our results suggest that the presence of structural racial inequities above and beyond medical comorbidities increased the risk of COVID-19 among PWHPWH with immune exhaustion as evidenced by lowest historical CD4 or current low CD4:CD8 ratio had greater risk of COVID-19.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».