Predictive Factors of Detectable Viral Load in HIV-Infected Patients
Notice bibliographique
Résumé
Despite availability of effective antiretroviral therapy (ART), many HIV patients still have a detectable viral load (VL). Predictive factors of detectable VL are not well documented. This study was done at two large multidisciplinary HIV outpatient clinics at the Centre hospitalier de l'Université de Montréal (CHUM) and the McGill University Health Centre (MUHC). This is a retrospective case-control study of patients treated between 2016 and 2018. Cases had a VL ≥50 copies/mL in 2018. Controls had an undetectable VL from 2016 to 2018. Matching was based on gender and year of HIV diagnosis. Primary objective was to identify predictive factors of detectable VL. Secondary objectives included to identify predictive factors of virologic failure, low persistent viremia, and viral blip. A forward stepwise model selection by the Akaike Information Criterion of the conditional logistic regression was used to identify predictive factors. Two hundred cases were identified and matched with 200 controls. The cohort was mostly male (68.0%) with a median age of 54 years (21-83 years). Among cases, viral blip was the most common type of detectable VL (43.0%). The strong predictive factors for a detectable VL were adherence to ART and seeking health care services. Asylum seekers were less at risk of detectable VL. Adherence to ART was the only strong predictive factor for virologic failure. Three main predictive factors of detectable VL were identified in two ambulatory clinic hospitals in Montreal. Ascertaining these factors will allow for identification of patients more at risk of detectable VL.
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 | 0,002 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».