Risk factors for difficult‐to‐treat hepatitis C virus genotype 4r in Rwanda and implications for elimination in sub‐Saharan Africa
Notice bibliographique
Résumé
In sub-Saharan Africa, there exist distinct HCV genotype (GT) subtypes harbouring resistance-associated substitutions to commonly used non-structural protein 5A (NS5A) inhibitor-based direct-acting antiviral (DAA) regimens. In particular, GT4r subtype has demonstrated high rates of treatment failure. In the absence of routine viral sequencing in sub-Saharan Africa, it is important to identify sociodemographic, epidemiologic, and clinical characteristics that may be associated with GT4r infection. Methods: A secondary analysis was performed on data from 300 adults with HCV GT4 enrolled in a prospective trial assessing the safety and efficacy of sofosbuvir-ledipasvir in Rwanda in 2017. The association between characteristics at enrolment and GT subtype was assessed by chi-square analysis and logistic regression. In multivariate analysis, there were a higher proportion of participants with GT4r subtype with age <40 years (OR: 3.6, 95% CI: 1.3-10.5, p = 0.02), previous hospitalization (OR: 2.5, 95% CI: 1.3-5.0, p = 0.006), previous surgery (OR: 2.2, 95% CI: 1.1-4.2, p = 0.03), cirrhosis (OR: 3.2, 95% CI: 1.3-7.5, p = 0.008) and baseline HCV RNA >1 million IU/ml (OR: 3.4, 95% CI: 1.6-6.9, p = 0.001). Rwandan adults with GT4r are more likely to be younger, have a history of hospital admissions and surgeries and have more active or advanced liver disease compared to those with other GT4 subtypes. In the absence of advanced diagnostics to assess GT subtype, patients with these characteristics may warrant closer monitoring for treatment failure or alternative DAA regimens. More treatment experience with diverse DAA regimens is urgently needed for GT subtypes particular to this region.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».