An update to the HIV-TRePS system: the development of new computational models that do not require a genotype to predict HIV treatment outcomes
Notice bibliographique
Résumé
OBJECTIVES: The optimal individualized selection of antiretroviral drugs in resource-limited settings is challenging because of the limited availability of drugs and genotyping. Here we describe the development of the latest computational models to predict the response to combination antiretroviral therapy without a genotype, for potential use in such settings. METHODS: Random forest models were trained to predict the probability of a virological response to therapy (<50 copies HIV RNA/mL) following virological failure using the following data from 22,567 treatment-change episodes including 1090 from southern Africa: baseline viral load and CD4 cell count, treatment history, drugs in the new regimen, time to follow-up and follow-up viral load. The models were assessed during cross-validation and with an independent global test set of 1000 cases including 100 from southern Africa. The models' accuracy [area under the receiver-operating characteristic curve (AUC)] was evaluated and compared with genotyping using rules-based interpretation systems for those cases with genotypes available. RESULTS: The models achieved AUCs of 0.79-0.84 (mean 0.82) during cross-validation, 0.80 with the global test set and 0.78 with the southern African subset. The AUCs were significantly lower (0.56-0.57) for genotyping. CONCLUSIONS: The models predicted virological response to HIV therapy without a genotype as accurately as previous models that included a genotype. They were accurate for cases from southern Africa and significantly more accurate than genotyping. These models will be accessible via the online treatment support tool HIV-TRePS and have the potential to help optimize antiretroviral therapy in resource-limited settings where genotyping is not generally available.
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 | 0,005 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».