Antiretroviral effects on HIV‐1 RNA, CD4 cell count and progression to AIDS or death: a meta‐regression analysis
Notice bibliographique
Résumé
OBJECTIVE: Governments, clinicians and drug-licensing bodies have adopted changes in CD4 cell counts and HIV-1 RNA levels as evidence of effectiveness for new therapeutic interventions. We aimed to determine the strength of the association between the magnitude of the effect of changes in CD4 cell count and HIV-1 RNA and progression to AIDS or death in the highly active antiretroviral therapy (HAART) era. METHODS: We identified all randomized clinical trials (RCTs) evaluating the effect of HAART on both clinical and surrogate endpoints (1994 to September 2006). We performed a meta-regression and weighted linear regression. We additionally estimated potential RCT sample sizes that would be required to assess the effectiveness of new interventions in terms of clinical endpoints. RESULTS: We included data from 178 RCTs. We were unable to demonstrate a strong relationship at any time-point. Specifically, this was the case when CD4 T-cell change and clinical outcomes were examined at week 24 [coefficient -0.01, 95% confidence interval (CI) -0.03 to 0.001, P=0.54], week 48 (coefficient -0.01, 95% CI -0.02 to 0.001, P=0.83) and week 96 (coefficient 0.00, 95% CI -0.03 to 0.04, P=0.76). This was also the case when viral load was examined as a surrogate marker. Given the small number of clinical events occurring in new interventional RCTs, any RCT aiming to evaluate clinical endpoints within these time-points would require an exceptionally large sample size. CONCLUSIONS: Our findings indicate that, within short-term clinical trial settings, it is not possible to estimate the proportion of treatment effect associated with surrogate endpoints.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».