Prevalence and determinants of resistance mutations in <scp>HIV</scp>‐1‐infected patients exposed to integrase inhibitors in a large Italian cohort
Notice bibliographique
Résumé
OBJECTIVES: The aim of the study was to analyse the prevalence of integrase resistance mutations in integrase strand transfer inhibitor (INSTI)-experienced HIV-1-infected patients and its predictors. METHODS: test and predictors of resistance were analysed by logistic regression. RESULTS: We included 462 genotypes from INSTI-exposed individuals: 356 'INSTI-failing' patients and 106 'previously INSTI-exposed' patients (obtained a median of 42 weeks after INSTI discontinuation [interquartile range (IQR) 17-110 weeks]). Overall, at least low-level resistance (LLR) to any INSTI (Stanford 8.5 algorithm) was detected in 198 (42.9%) cases. The most frequent INSTI resistance mutation was N155H, followed by Q148H/K/R, G140A/C/S, E138A/K/T and Y143C/H/R. Y143R and E138A were more prevalent in viral subtype B versus non-B [5.2 versus 1.5%, respectively (P = 0.04), and 3.1 versus 0%, respectively (P = 0.02)]. Overall, the Q148H/K/R plus G140A/C/S and/or E138A/K/T pattern, defining an intermediate level of resistance to DTG, was detected in 70 (15%) cases. Independent predictors of at least LLR to any INSTI were current use versus past use of INSTIs, a lower genotypic sensitivity score (GSS) for contemporary antiretroviral drugs used, and having an integrase sequence obtained in calendar year 2016 as compared to 2008-2009. CONCLUSIONS: The results support integrase resistance testing in INSTI-experienced patients. Emergence of INSTI resistance is facilitated by the reduced genetic barrier of the regimen as a consequence of resistance to companion drugs. However, INSTI resistance may become undetectable by standard population sequencing upon INSTI discontinuation.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».