Nevirapine Concentrations in Saliva Measured by Thin Layer Chromatography and Self-Reported Adherence in Patients on Antiretroviral Therapy at Kilimanjaro Christian Medical Centre, Tanzania
Notice bibliographique
Résumé
BACKGROUND: Thin layer chromatography (TLC) can be used to perform therapeutic drug monitoring in resource-limited settings, where more expensive analytical methods, such as high-performance liquid chromatography or liquid chromatography-mass spectrometry, are not feasible. OBJECTIVES: The aim of this cross-sectional study was to compare saliva concentrations of nevirapine (NVP) with self-reported adherence in patients on NVP-containing antiretroviral treatment at Kilimanjaro Christian Medical Centre, Moshi, Tanzania. METHODS: HIV-infected patients using a combination of zidovudine + lamivudine + NVP, or stavudine + lamivudine + NVP, for more than 4 weeks were included. Saliva samples were collected using dental cotton rolls impregnated with citric acid (20 mg). Saliva NVP concentrations were analyzed using TLC. Adherence to ARV medication was assessed by self-reporting using the Morisky scale. RESULTS: Of the 91 study participants, 79 (86.8%) had therapeutic saliva NVP concentrations (ie, >1.75 mg/L) and 12 (13.2%) had subtherapeutic concentrations. Self-reported adherence among the study participants was high in 62 participants (68.1%), moderate in 24 (26.4%), and low in 5 (5.5%). Fifty-seven (91.9%) of the study participants with high self-reported adherence had therapeutic saliva NVP concentrations. Of the 5 participants with low self-reported adherence, 3 had therapeutic NVP concentrations. CONCLUSIONS: A high proportion of patients had therapeutic NVP saliva concentrations as measured by TLC, which showed a good agreement with self-reported adherence.
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 | 0,001 |
| 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 | 0,000 | 0,001 |
| 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 ».