Declining Incidence of Hepatitis C Virus Infection among People Who Inject Drugs in a Canadian Setting, 1996-2012
Notice bibliographique
Résumé
BACKGROUND: People who inject drugs (PWID) are at high risk of hepatitis C virus (HCV) infection. Trends in HCV incidence and associated risk factors among PWID recruited between 1996 and 2012 in Vancouver, Canada were evaluated. METHODS: Data were derived from a long-term cohort of PWID in Vancouver. Trends in HCV incidence were evaluated. Factors associated with time to HCV infection were assessed using Cox proportional hazards regression. RESULTS: Among 2,589, 82% (n = 2,121) were HCV antibody-positive at enrollment. Among 364 HCV antibody-negative participants with recent (last 30 days) injecting at enrollment, 126 HCV seroconversions were observed [Overall HCV incidence density: 8.6 cases/100 person-years (py); 95% confidence interval (95% CI): 7.2, 10.1; HCV incidence density among those with injecting during follow-up: 11.5 cases/100 py; 95% CI 9.7, 13.6]. The overall HCV incidence density declined significantly from 25.0/100 py (95% CI: 20.2, 30.3) in 1996-99, as compared to 6.0/100 py (95% CI: 4.1, 8.5) in 2000-2005, and 3.1/100 py (95% CI: 2.0, 4.8) in 2006-2012. Among those with injecting during follow-up, the overall HCV incidence density declined significantly from 27.9/100 py (95% CI: 22.6, 33.6) in 1996-99, as compared to 7.5/100 py (95% CI: 5.1, 10.6) in 2000-2005, and 4.9/100 py (95% CI: 3.1, 7.4) in 2006-2012. Unstable housing, HIV infection, and injecting of cocaine, heroin and methamphetamine were independently associated with HCV seroconversion. CONCLUSIONS: HCV incidence has dramatically declined among PWID in this setting. However, improved public health strategies to prevent and treat HCV are urgently required to reduce HCV-associated morbidity and mortality.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| 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 ».