Antiretroviral drug resistance among HIV‐1 infected children failing treatment
Notice bibliographique
Résumé
High levels of HIV-1 replication occur following perinatal infection and antiretroviral drugs may not fully suppress viral load during the early years of childhood. Adherence to treatment may also be difficult among children. These two factors will contribute to development of drug resistance but limited paediatric data are available. This study has, therefore, evaluated the prevalence of drug resistance among children and assessed the contribution of adherence to failing therapy. Samples from 26 children who had experienced virological failure to antiretroviral therapy were tested for drug resistance using the Visible Genetics TRUGENE trade mark HIV-1 genotyping assay. HIV-1 subtype was determined using a peptide-based EIA and drug adherence determined by physician assessment. Twenty-four children were black African, 23 of whom were infected with a non-B subtype. HIV RNA sequence data was obtained for 21 of the 26 children; at treatment failure resistance mutations were detected in the protease gene of 7 (33%) and the reverse transcriptase gene of 19 (90%). A lower proportion of children had evidence of drug resistance at nadir and no resistance mutations were detected prior to treatment. Genotypic resistance was common in those treated with lamivudine (10/11, 91%), nevirapine (6/8, 75%), and zidovudine (7/11, 64%). The prevalence of mutations was lower among those receiving other nucleoside reverse transcriptase inhibitors and protease inhibitors. In 50% of children, drug adherence was >90%. Antiretroviral drug resistance was common among this group of children failing therapy, the majority of whom were infected with non-B subtypes of HIV-1. As adherence to treatment was low in 50%, this was likely to be an important contributory factor.
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) | 0,002 | 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 ».