Local phylogenetic analysis identifies distinct trends in transmitted HIV drug resistance: implications for public health interventions
Notice bibliographique
Résumé
BACKGROUND: HIV transmitted drug resistance (TDR) surveillance is usually conducted by sampling from a large population. However, overall TDR prevalence results may be inaccurate for many individual clinical setting. We analyzed HIV genotypes at a tertiary care setting in Ottawa, Ontario in order to evaluate local TDR patterns among sub-populations. METHOD: Genotyping reports were digitized from ART naïve patients followed at the Immunodeficiency Clinic at the Ottawa Hospital, between 2008 and 2010. Quality controlled, digitized sequence data were assessed for TDR using the Stanford HIV Database. Patient characteristics were analyzed according to TDR patterns. Finally, a phylogenetic tree was constructed to elucidate the observed pattern of HIV TDR. RESULTS: Among the 155 clinic patients there was no statistically significantly difference in demographics as compared to the Ontario provincial HIV population. The clinic prevalence of TDR was 12.3%; however, in contrast to the data from Ontario, TDR patterns were inverted with a 21% prevalence among MSM and 5.5% among IDU. Furthermore, nearly 80% of the observed TDR was a D67N/K219Q pattern with 87% of these infections arising from a distinct phylogenetic cluster. CONCLUSIONS: Local patterns of TDR were distinct to what had been observed provincially. Phylogenetic analysis uncovered a cluster of related infections among MSM that appeared more likely to be recent infections. Results support a paradigm of routine local TDR surveillance to identify the sub-populations under care. Furthermore, the routine application of phylogenetic analysis in the TDR surveillance context provides insights into how best to target prevention strategies; and how to correctly measure outcomes.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,000 | 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 ».