Molecular mechanisms of acquired antifungal drug resistance in principal fungal pathogens and EUCAST guidance for their laboratory detection and clinical implications
Notice bibliographique
Résumé
The increasing incidence and changing epidemiology of invasive fungal infections continue to present many challenges to their effective management. The repertoire of antifungal drugs available for treatment is still limited although there are new antifungals on the horizon. Successful treatment of invasive mycoses is dependent on a mix of pathogen-, host- and antifungal drug-related factors. Laboratories need to be adept at detection of fungal pathogens in clinical samples in order to effectively guide treatment by identifying isolates with acquired drug resistance. While there are international guidelines on how to conduct in vitro antifungal susceptibility testing, these are not performed as widely as for bacterial pathogens. Furthermore, fungi generally are recovered in cultures more slowly than bacteria, and often cannot be cultured in the laboratory. Therefore, non-culture-based methods, including molecular tests, to detect fungi in clinical specimens are increasingly important in patient management and are becoming more reliable as technology improves. Molecular methods can also be used for detection of target gene mutations or other mechanisms that predict antifungal drug resistance. This review addresses acquired antifungal drug resistance in the principal human fungal pathogens and describes known resistance mechanisms and what in-house and commercial tools are available for their detection. It is emphasized that this approach should be complementary to culture-based susceptibility testing, given the range of mutations, resistance mechanisms and target genes that may be present in clinical isolates, but may not be included in current molecular assays.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| 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 | 0,000 |
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 ».