MétaCan
Menu
Retour à la cohorte
Enregistrement W4387412211 · doi:10.2196/50894

Pretreatment HIV Drug Resistance and the Molecular Transmission Network Among HIV-Positive Individuals in China in 2022: Multicenter Observational Study

2023· article· en· W4387412211 sur OpenAlexvenueno aff
Hongli Chen, Jingjing Hao, Jing Hu, Chang Song, Yesheng Zhou, Miaomiao Li, Jin Chen, Xiu Liu, Dong Wang, Xiaoshan Xu, Peixian Xin, Jiaxin Zhang, Lingjie Liao, Yi Feng, Dan Li, Stephen W. Pan, Yiming Shao, Yuhua Ruan, Hui Xing

Notice bibliographique

RevueJMIR Public Health and Surveillance · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueHIV/AIDS drug development and treatment
Établissements canadiensnon disponible
Organismes subventionnairesState Key Laboratory of Infectious Disease Prevention and ControlChinese Center for Disease Control and PreventionNational Natural Science Foundation of China
Mots-clésObservational studyHuman immunodeficiency virus (HIV)Drug resistanceTransmission (telecommunications)DrugChinaMedicineVirologyEnvironmental healthBiologyPharmacologyInternal medicineGeneticsComputer scienceGeographyTelecommunications

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Emerging HIV drug resistance caused by increased usage of antiretroviral drugs (ARV) could jeopardize the success of standardized HIV management protocols in resource-limited settings. OBJECTIVE: We aimed to characterize pretreatment HIV drug resistance (PDR) among HIV-positive individuals and risk factors in China in 2022. METHODS: This cross-sectional study was conducted using 2-stage systematic sampling according to the World Health Organization's surveillance guidelines in 8 provincial-level administrative divisions in 2022. Demographic information and plasma samples were obtained from study participants. PDR was analyzed using the Stanford HIV drug resistance database, and the Tamura-Nei 93 model in HIV-TRACE was used to calculate pairwise matches with a genetic distance of 0.01 substitutions per site. Logistic regression was used to identify and estimate factors associated with PDR. RESULTS: PDR testing was conducted on 2568 participants in 2022. Of the participants, 34.8% (n=893) were aged 30-49 years, 81.4% (n=2091) were male, and 3.2% (n=81) had prior ARV exposure. The prevalence of PDR to protease and reverse transcriptase regions, nonnucleoside reverse transcriptase inhibitors, nucleoside reverse transcriptase inhibitors, and protease inhibitors were 7.4% (n=190), 6.3% (n=163), 1.2% (n=32), and 0.2% (n=5), respectively. Yunnan, Jilin, and Zhejiang had much higher PDR incidence than did Sichuan. The prevalence of nonnucleoside reverse transcriptase inhibitor-related drug resistance was 6.1% (n=157) for efavirenz and 6.3% (n=163) for nevirapine. Multivariable logistic regression models indicated that participants who had prior ARV exposure (odds ratio [OR] 7.45, 95% CI 4.50-12.34) and the CRF55_01B HIV subtype (OR 2.61, 95% CI 1.41-4.83) were significantly associated with PDR. Among 618 (24.2%) sequences (nodes) associated with 253 molecular transmission clusters (size range 2-13), drug resistance mutation sites included K103, E138, V179, P225, V106, V108, L210, T215, P225, K238, and A98. CONCLUSIONS: The overall prevalence of PDR in China in 2022 was modest. Targeted genotypic PDR testing and medication compliance interventions must be urgently expanded to address PDR among newly diagnosed people living with HIV in China.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,045
Score d'incertitude au seuil0,090

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,297
Écart entre enseignants0,276 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations29
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Public Health and SurveillanceMême sujetHIV/AIDS drug development and treatmentTravaux en français237 207