Non-R5-tropic HIV-1 in subtype A1 and D infections were associated with lower pretherapy CD4+ cell count but not with PI/(N)NRTI therapy outcomes in Mbarara, Uganda
Notice bibliographique
Résumé
BACKGROUND: Previous studies suggest that infection with non-R5-tropic subtype B HIV-1, compared with R5, is associated with a more rapid decline in CD4 cell count, but does not affect PI/(N)NRTI therapy outcome. Here, we explored clinical correlates associated with viral tropism in subtype A1 and D infections. METHODS: HIV-1 subtype A1 (n = 196) and D (n = 143) pretherapy plasma samples and up to 7.5 years of posttherapy virologic and CD4 data were collected from a cross-sectional cohort in Mbarara, Uganda. Tropism and subtype were inferred using env V3 (geno2pheno) and gp41 (RIP) Sanger sequences. For each subtype, R5 infection was compared with non-R5 in terms of: pretherapy viral load and CD4 cell count (Mann-Whitney tests), and therapy outcomes, including time to virologic suppression, postsuppression virologic rebound, CD4 decline and CD4 recovery (log-rank tests). RESULTS: A 94% of all patients in this study achieved virologic suppression within median 3 months posttherapy. In both subtypes, non-R5 infection was associated with lower pretherapy CD4 cell count (non-R5 vs. R5; A: median 57 vs. 147 cells/μl P = 0.005; D: 80 vs. 128 cells/μl P = 0.006). Multivariable linear regression confirmed that tropism, not subtype nor the interaction between subtype and tropism, was a significant predictor of pretherapy CD4 cell count (P < 0.0001). None of pretherapy viral load, time to virologic suppression, virologic rebound, CD4 decline nor CD4 recovery was significantly different (all P > 0.09). CONCLUSION: Regardless of HIV-1 subtype or tropism, the majority of patients in this Ugandan cohort responded to therapy, even though non-R5 infection was associated with lower pretherapy CD4 cell count.
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 ».