The Prevalence of Mental Health Disorders in people with HIV and the effects on the HIV Care Continuum
Notice bibliographique
Résumé
ABSTRACT Objective To describe the prevalence of diagnosed depression, anxiety, bipolar disorder, and schizophrenia in people with HIV (PWH) and the differences in HIV care continuum outcomes in those with and without mental health disorders (MHD). Design Observational study of participants in the NA-ACCORD. Methods PWH (≥18 years) contributed data on prevalent schizophrenia, anxiety, depressive, and bipolar disorders from 2008-2018 based on ICD code mapping. MH multimorbidity was defined as having ≥ 2 MHD. Log binomial models with generalized estimating equations estimated adjusted prevalence ratios (aPR) and 95% confidence intervals for retention in care (≥ 1 visit/year) and viral suppression (HIV RNA ≤ 200 copies/mL) by presence vs. absence of each MHD between 2016-2018. Results Among 122,896 PWH, 67,643 (55.1%) were diagnosed with ≥ 1 MHD: 39% with depressive disorders, 28% with anxiety disorders, 10% with bipolar disorder, and 5% with schizophrenia. The prevalence of depressive and anxiety disorders increased between 2008-2018, while bipolar disorder and schizophrenia remained stable. MH multimorbidity affected 24% of PWH. From 2016-2018 (N=64,684), retention in care was marginally lower among PWH with depression or anxiety, however those with MH multimorbidity were more likely to be retained in care. PWH with bipolar disorder had marginally lower prevalence of viral suppression (aPR=0.98 [0.98-0.99]) as did PWH with MH multimorbidity (aPR=0.99 [0.99-1.00]) compared with PWH without MHD. Conclusion The prevalence of MHD among PWH was high, including MH multimorbidity. Although retention and viral suppression were similar to people without MHD, viral suppression was lower in those with bipolar disorder and MH multimorbidity.
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) | 0,000 | 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 | 0,001 |
| 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 ».