Prediction of clinical benefits of ritonavir‐boosted TMC114 from treatment effects on CD4 counts and HIV RNA
Notice bibliographique
Résumé
OBJECTIVE: The aim of the study was to predict reductions in progression to AIDS/death associated with the treatment benefit of antiretrovirals on CD4 counts and HIV RNA in the era of highly active antiretroviral therapy (HAART). DESIGN: The study design was a pooled analysis of two trials (POWER 1 and POWER 2) of optimized background treatment plus either TMC114/ritonavir (TMC114/r) or control protease inhibitor (CPI). METHODS: Across the two randomized trials (mean baseline CD4 count 114 cells/microL and HIV RNA 4.6 log(10) HIV-1 RNA copies/mL), CD4 counts rose by a mean of 98 cells/microL for TMC114/r 600/100 mg twice a day (bid) vs. 17 cells/microL for CPI at week 24; HIV RNA fell by a median of 1.90 and 0.49 log(10) copies/mL in the two groups, respectively. For the CD4 categorization method, cohort data on rates of progression to AIDS/death during HAART within preset CD4 ranges were used to predict rates of progression during TMC114/r and CPI treatment. For the regression method, data from clinical endpoint trials were used to correlate historical treatment effects on HIV RNA and CD4 with clinical benefits. RESULTS: The CD4 categorization method predicted a 48% reduction in clinical progression to AIDS/death for TMC114/r vs. CPI. The regression method predicted a 55% reduction [95% confidence interval (CI) 45-66%] in the hazard of progression to AIDS/death based on CD4 counts, with a 47% reduction (95% CI 38-53%) predicted from effects on HIV RNA. CONCLUSIONS: Independent methods generated similar predictions of a 47-55% reduction in progression to AIDS/death for TMC114/r vs. CPI treatment, based on the changes in CD4 counts and HIV RNA from the POWER 1 and POWER 2 trials. These methods could be used to estimate clinical benefits of other antiretrovirals.
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) | 0,001 | 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 ».