A comparison of computational models with and without genotyping for prediction of response to second‐line <scp>HIV</scp> therapy
Notice bibliographique
Résumé
OBJECTIVES: We compared the use of computational models developed with and without HIV genotype vs. genotyping itself to predict effective regimens for patients experiencing first-line virological failure. METHODS: Two sets of models predicted virological response for 99 three-drug regimens for patients on a failing regimen of two nucleoside/nucleotide reverse transcriptase inhibitors and one nonnucleoside reverse transcriptase inhibitor in the Second-Line study. One set used viral load, CD4 count, genotype, plus treatment history and time to follow-up to make its predictions; the second set did not include genotype. Genotypic sensitivity scores were derived and the ranking of the alternative regimens compared with those of the models. The accuracy of the models and that of genotyping as predictors of the virological responses to second-line regimens were compared. RESULTS: The rankings of alternative regimens by the two sets of models were significantly correlated in 60-69% of cases, and the rankings by the models that use a genotype and genotyping itself were significantly correlated in 60% of cases. The two sets of models identified alternative regimens that were predicted to be effective in 97% and 100% of cases, respectively. The area under the receiver-operating curve was 0.72 and 0.74 for the two sets of models, respectively, and significantly lower at 0.55 for genotyping. CONCLUSIONS: The two sets of models performed comparably well and significantly outperformed genotyping as predictors of response. The models identified alternative regimens predicted to be effective in almost all cases. It is encouraging that models that do not require a genotype were able to predict responses to common second-line therapies in settings where genotyping is unavailable.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».