Comparison of algorithms that interpret genotypic HIV-1 drug resistance to determine the prevalence of transmitted drug resistance
Notice bibliographique
Résumé
OBJECTIVE: We compared eight genotypic interpretation methods to determine whether the method used would affect the rates of reported transmitted drug resistance. DESIGN: Retrospective cohort study. METHODS: For the International AIDS Society-USA method we classified a mutation as resistant if it was a 'major' resistance-associated mutation. For the Stanford algorithm, we classified a mutation as resistant if the score was at least 60 (Stanford 60), and alternatively, if the score was at least 30 (Stanford 30). For Agence Nationale de Recherches sur le SIDA and Rega, we interpreted resistance as either 'intermediate resistance' or 'resistance' (ANRS 1 and Rega 1), and 'resistance' only (ANRS 2 and Rega 2). We also used the calibrated population resistance algorithm. We then determined the rates of transmitted drug resistance within the Acute Infection Early Disease Research Program cohort (n = 1311) enrolled between March 1995 and August 2006 using each method; agreement was assessed using kappa coefficients. RESULTS: Differences in estimated rates of transmitted drug resistance using International AIDS Society-USA, calibrated population resistance, Stanford 30, ANRS 1, Rega 1 and Rega 2 methods were mostly minor for resistance to protease and non-nucleoside reverse transcriptase inhibitors (1% range) and more pronounced for nucleoside reverse transcriptase inhibitors (5% range). For these methods kappa agreement was substantial or almost perfect across all drug classes. The Stanford 60 was most conservative. CONCLUSIONS: The persistent high rates of transmitted drug resistance support the need for continued genotypic surveillance. The currently available interpretation algorithms can be used for this purpose.
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 ».