Impact of Underlying Chronic Medical Conditions on COVID-19 Outcomes Among People Living with HIV: A Retrospective Analysis from the Minnesota Fairview Network
Notice bibliographique
Résumé
(1) Background: The Coronavirus Disease 2019 (COVID-19) pandemic has raised concerns about the impact of underlying medical conditions on the health outcomes of people living with HIV (PLWH). This study aimed to assess how pre-existing chronic medical conditions affect the health outcomes of PLWH infected with COVID-19. (2) Methods: A retrospective study using data from the Minnesota Fairview network (1 January 2020–31 December 2022) was conducted. Fisher’s exact test, the Kruskal–Wallis rank-sum test, and ordinal logistic regressions with a Benjamini–Hochberg (BH) adjustment on p-values were used to assess the influence of chronic conditions on COVID-19 severity, adjusting for age and gender. (3) Results: Among 216 records, significant associations were found for a stroke, chronic kidney disease, lung disease, and neurologic conditions (p < 0.05). Type 1 diabetes was marginally significant (0.05 < p < 0.1). After adjusting for age and sex, a stroke (p = 0.0008, BH-adjusted p = 0.0044) and chronic kidney disease (p = 0.0003, BH-adjusted p = 0.0033) significantly increased the risk of severe COVID-19 outcomes. (4) Conclusions: Pre-existing medical conditions should be considered in the clinical management and public health interventions for PLWH infected with COVID-19. Tailored strategies are essential to mitigate the higher risk of severe outcomes in PLWH with specific chronic comorbidities.
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 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».