Impact of Pre-antiretroviral Therapy CD4 Counts on Drug Resistance and Treatment Failure: A Systematic Review
Notice bibliographique
Résumé
The continuous rising of HIV drug resistance in low- and middle-income countries and its impact on treatment failure is a growing threat for the HIV treatment response. This review aimed to document pre-antiretroviral therapy (ART) CD4 counts, emerging drug resistance, and treatment failure in HIV-infected individuals initiating ART. We performed an online search in PubMed, Embase, Web of Science, African Index Medicus, Cochrane library, and The National Institute for Health Clinical Trials Registry of relevant articles published from January 1996 to June 2019. Of 1755 original studies retrieved, 28 were retained for final analysis. Treatment failure varied between 5% (95% confidence interval [CI]: 2.7-7.4) and 72% (95% CI: 55-89.6), while resistance varied between 1% (95% CI: 0.47-1.5) and 48% (95% CI: 28.4-67.6). Participants with a pre-ART CD4 count below 200 cell/μl and low adherence showed higher percentages of resistance and failure, while those with CD4 count above 200 showed lower resistance and failure regardless adherence levels. Most frequent resistance mutations included the M184I/V for the nucleoside reverse-transcriptase inhibitors (NRTIs), K103N, and Y181 for the non-NRTIs (NNRTIs), and L90M for the Protease inhibitors. Pre-ART CD4 count and adherence to treatment could play a key role in reducing drug resistance and treatment failure. The increased access to ART in resources limited settings should be accompanied by regular CD4 count testing, drug resistance monitoring, and continuous promotion of adherence. In addition, the rising of resistance mutations associated with NRTIs and NNRTIs, suggest that alternative ART regimens should be considered. (AIDS Rev. 2020;22:<FP>-0).
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,002 |
| 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 | 0,001 |
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 ».