Effect of CD4 <sup>+</sup> T Cell Count and Antiretroviral Treatment on Two Serological HIV Incidence Assays
Notice bibliographique
Résumé
Serological assays are increasingly being used to measure HIV incidence in cross-sectional studies, but their specificity to determine incident infections remains problematic. We estimated the specificity of the BED assay in a cohort of long-term HIV-infected adults before and during antiretroviral treatment (ART) and evaluated an HIV avidity assay to detect BED-based false-recent results. We used the BED assay to test stored specimens from known long-term HIV-1-infected adult Ugandans before and at 3, 12, and 24 months after ART initiation. We evaluated the frequency of false-recent classifications by ART status and CD4(+) T(+) cell count. Specimens classified as BED false-recent were further tested with an avidity assay. In all, 950 blood specimens from 253 adults were tested with the BED assay. Of these, 149 (15.7%) specimens tested false-recent and 64 (24.9%) individuals tested false-recent at least once. Among all specimens tested, the proportion of false-recent rose with increasing CD4(+) cell count (<250 cells/μl: 11.3%, 250-499: 17.8%, ≥500: 21.4%; p for trend=0.002). Of 197 persons with all four BED results available, 75.6% were classified as long-term infected throughout and 8.1% as false-recent throughout; the remainder changed classification once (12.2%) or twice (4.1%). Of 105 false-recent specimens retested with the avidity assay, 101 (96.2%) were correctly classified as "long-term." The BED assay's specificity varied with CD4(+) cell count and use of ART. Knowledge of these parameters for blood samples could improve incidence estimates using the BED assay. The additional use of an avidity assay may help to minimize the proportion of BED false-recent specimens.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 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 ».