HBsAg decline and clearance with peg-IFN therapy added to nucleos(t)ide analogues: an individual participant data meta-analysis of prospective trials (PROSPER)
Notice bibliographique
Résumé
BACKGROUND: Peg-interferon (peg-IFN) plays an increasingly important role in HBV cure strategies, either in combination with novel antivirals, as a lead-in or as consolidation treatment. OBJECTIVE: We aimed to provide estimates of hepatitis B surface antigen (HBsAg) decline and clearance that can be achieved with peg-IFN addition to nucleos(t)ide analogue (NA) therapy. DESIGN: This is a post hoc meta-analysis of individual participant data from eight clinical trials involving chronic hepatitis B patients on NA therapy who received peg-IFN add-on. The primary endpoint was HBsAg loss at end of follow-up (EOF, 6-12 months after end of peg-IFN). Secondary analyses focused on HBsAg decline. RESULTS: 581 patients were included. At the start of peg-IFN therapy (SOT), 44% were hepatitis B envelope antigen (HBeAg) positive, mean HBsAg level was 3.03 log10 IU/mL (HBsAg<100: 12%; 100-1000: 28%; ≥1000: 60%), and planned duration of peg-IFN was 48 weeks in 496 patients (85%).At EOF, 50 (8.6%) patients achieved HBsAg loss (HBsAg<100/100-1000/≥1000: 37.7/9.8/2.3%, p<0.001) Findings were consistent across ethnicities (Caucasian: 30.0/8.7/3.6%; Asian: 39.3/9.2/2.2%). In patients with SOT HBsAg≥1000 IU/mL, levels <1000 and <100 were achieved in 29.7% and 8.9% at 24 weeks and in 47.5% and 16.3% at 48 weeks of peg-IFN therapy, respectively. CONCLUSION: Peg-IFN add-on results in HBsAg loss in 18% of patients with SOT HBsAg<1000 IU/mL, and in 38% if SOT HBsAg<100 IU/mL. Among patients with higher HBsAg levels, peg-IFN could be used to reduce HBsAg to below thresholds associated with response to novel compounds.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 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 ».