Significant reductions in alcohol use after hepatitis C treatment: results from the ANRS CO13‐HEPAVIH cohort
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Few data exist on changes to substance use patterns before and after hepatitis C virus (HCV) treatment. We used longitudinal data of HIV-HCV co-infected individuals to examine whether receiving pegylated interferon (Peg-IFN)-based therapy irrespective of HCV clearance could modify tobacco, cannabis and alcohol use. DESIGN: A prospective cohort of HIV-HCV co-infected individuals was enrolled from 2006. Participants' clinical data were retrieved from medical records and socio-demographic and behavioural characteristics were collected by yearly self-administered questionnaires. SETTING: Data were collected across 17 hospitals in France. PARTICIPANTS: All HIV-HCV co-infected patients who initiated HCV treatment during follow-up and answered items regarding substance use in at least one yearly questionnaire (258 patients, 671 visits). INTERVENTION: HCV treatment consisted of Peg-IFN-based regimens. MEASUREMENTS: Four time-varying outcomes: hazardous alcohol use (Alcohol Use Disorders Identification Test-C > 3/4 for women/men), number of alcohol units/month, binge drinking, cannabis and tobacco use. Mixed models assessed the effect of HCV treatment status (not yet treated, treated and HCV-cleared, treated and HCV-chronic) on each outcome. FINDINGS: A significant decrease (more than 60% reduction) in both hazardous alcohol use and binge drinking and a reduction of 10 alcohol units/month was observed after HCV treatment (irrespective of HCV clearance). No significant effect of HCV treatment status was found on tobacco use and regular cannabis use, but HCV 'clearers' reported less non-regular use of cannabis. CONCLUSIONS: Hepatitis C virus (HCV) treatment appears to help HIV-HCV co-infected patients reduce alcohol use.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 ».