Echecs virologiques au sein de cohortes hospitalières de patients adultes infectés par le VIH : apport de l'ultra-deep sequencing et étude des charges virales de faible niveau persistantes
Bibliographic record
Abstract
L’objectif d’un traitement antirétroviral (ARV) est d’obtenir une charge virale VIH plasmatiqueindétectable afin de réduire la morbi-mortalité associée au VIH.La résistance du virus aux ARV est un facteur de risque d’échec virologique (EV). Les testsgénotypiques de résistance par séquençage classique (méthode de Sanger) ne permettent pas dedétecter les virus porteurs de mutations de résistance (MR) présents à taux minoritairereprésentant moins de 20% de la population virale plasmatique. Dans notre étude (cohorteANRS CO3), l’utilisation de l’ultra-deep sequencing (UDS) a permis de détecter 1.4 fois plusde MR avant traitement et 1.3 fois plus à l’EV en comparaison à la technique de séquençageclassique, confirmant la haute sensibilité de l’UDS pour la détection des MR. Les MRminoritaires détectées uniquement par UDS augmentaient la résistance génotypique du virus autraitement ARV chez 4% des patients à l’initiation du traitement et 21% des patients à l’EV.Les conséquences des épisodes de charges virales de faible niveau persistantes (CVF) entre 50et 200 copies/ml (CVF50-200) ne sont pas clairement établies du fait de l’insuffisance dedonnées dans la littérature. Dans nos études de cohortes (cohortes ANRS CO3 et ART-CC), 4-9% des patients ont présenté au moins un épisode de CVF50-200. La survenue d’une CVF50-200 était associée à un risque plus de 2 fois plus élevé d’EV>200 copies/ml, quels que soient ladurée de la CVF, l’historique de traitement ou le traitement ARV lors de la CVF50-200(régimes comportant des INNTI ou des IP/r). La survenue d’une CVF n’était pas associée à lasurvenue d’un évènement classant SIDA ni au décès, avec toutefois un suivi médian de 3 ans.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.002 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".