Serum hepatitis B virus RNA predicts response to peginterferon treatment in HBeAg‐positive chronic hepatitis B
Notice bibliographique
Résumé
Hepatitis B virus (HBV) RNA in serum is a novel biomarker that reflects cccDNA activity. We investigated whether HBV RNA can predict serological response to peginterferon (PEG-IFN) treatment. Serum HBV RNA levels were retrospectively measured at weeks 0, 12, 24 and 52 of therapy and after treatment discontinuation (week 78) in 266 HBeAg-positive chronic HBV patients who had participated in a global randomized controlled trial (HBV99-01 study). Patients received 52 weeks PEG-IFN monotherapy (n = 136) or PEG-IFN and lamivudine (n = 130). The primary end point was HBeAg loss 24 weeks after PEG-IFN discontinuation. At baseline, the mean serum level of HBV RNA was 6.8 (SD 1.2) log c/mL. HBV RNA levels declined to 4.7 (1.7) log c/mL after one year of PEG-IFN therapy alone and to 3.3 (1.2)log c/mL after combination therapy. From week 12 onward, HBV RNA level was significantly lower in patients who achieved HBeAg loss at the end of follow-up as compared to those who did not, regardless of treatment allocation (week 12:4.4 vs 5.1 log c/mL, P = .01; week 24:3.7 vs 4.9 log c/mL, P < .001). The performance of a multivariable model based on HBV RNA level was comparable at week 12 (AUC 0.68) and 24 (AUC 0.72) of therapy. HBV RNA level above 5.5 log c/mL at week 12 showed negative predictive values of 93/67/90/64% for HBV genotypes A/B/C/D for the prediction of HBeAg loss. In conclusion, HBV RNA in serum declines profoundly during PEG-IFN treatment. Early on-treatment HBV RNA level may be used to predict nonresponse.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».