Does first-line antiretroviral regimen impact risk for chronic kidney disease whatever the risk group?
Notice bibliographique
Résumé
OBJECTIVES: We used the D:A:D risk score for chronic kidney disease (CKD) for patients starting antiretroviral therapy (ART) in the recent years, and investigated whether specific regimens enhanced the risk of CKD in the different risk groups. DESIGN: Retrospective analysis of a prospectively collected cohort of French HIV-infected patients. METHODS: Patients who started their first ART after January the 1st, 2004 with a baseline estimated glomerular filtration rate (eGFR) greater than 60 ml/min per 1.73 m were analyzed. CKD was defined by confirmed eGFR less than 60 ml/min per 1.73 m. Incidence of CKD was estimated by Kaplan-Meier method, and Poisson regression models were used to quantify the relationship between CKD, exposure to the initial ART regimens and the D:A:D score. RESULTS: We included 6301 patients representing 21 936 person-years of follow-up (PYFU), median eGFR at baseline was 101 ml/min per 1.73 m (inter-quartile range 86; 118) and CKD incidence 9.6/1000 PYFU. Five years probabilities of CKD were 0.65, 4.6 and 15.9% in the low, medium and high-risk groups, respectively. In patients treated with a boosted protease inhibitor, incidences rates were 7.1/1000 and 9.0/1000 PYFU in the absence or presence of tenofovir, respectively, and markedly increased with increasing risk score. In the low-risk group the treatment choice had no impact on CKD incidence. CONCLUSION: When choosing the ideal first antiretroviral regimen for one given patient, clinicians should rely on the D:A:D score and avoid some drugs in high-risk patients, whereas in low-risk patients classic regimens may be safely prescribed, with an economic benefit due to soon available generic formulations.
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 | 0,000 |
| 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 ».