The Cost of Antiretroviral Drug Resistance in HIV-Positive Patients
Notice bibliographique
Résumé
INTRODUCTION: Antiretroviral (ARV) drug resistance limits treatment choices, often necessitating the selection of drugs with less desirable pill burdens, toxicity profiles, drug interactions and dosing schedules, and may increase cost. We examine the impact of resistance on the cost of HIV care. METHODS: All adult HIV-positive individuals newly referred for HIV care from 1 January 2007 to 1 January 2011 and followed until 31 December 2011 at the Southern Alberta Clinic, Calgary, AB, Canada, were included. We determined the cost of all ARV drugs, and HIV-related outpatient and inpatient care, reported as mean per patient per month (PPPM) costs in 2011 Canadian dollars (CDN). RESULTS: Overall, 78% of patients received genotypic antiretroviral resistance testing (GART); 57% among ARV-naive patients, 21% after suspected viral failure, and 20% during a treatment interruption. Resistance was detected in 6%, 49% and 21% of all tests respectively. The total mean PPPM cost for patients with GART was CDN 1,179. Patients with primary resistance had mean total PPPM costs of CDN 956. Patients with no resistance had mean PPPM costs of CDN 1,058, by contrast with the CDN 1,291 costs of patients with secondary/acquired resistance. Mean costs for one, two or three ARV class resistance was CDN 1,278, 1,337 and 1,801, respectively. Mean PPPM costs increased by 31% from CDN 1,068 to 1,396, respectively, before and after a positive resistance test. CONCLUSIONS: Transmission of resistant virus as well as emergence of resistance during ARV therapy leads to increased costs. Mean costs increased by number of resistant classes. Routine GART and optimizing ARV regimens to avoid resistance might minimize the long-term costs of HIV care.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».