Trends in cause-specific mortality in HIV–hepatitis C coinfection following hepatitis C treatment scale-up
Notice bibliographique
Résumé
OBJECTIVE: Hepatitis C virus (HCV) treatment may reduce liver-related mortality but with competing risks, other causes of mortality may undermine benefits. We examined changes in cause-specific mortality among HIV-HCV coinfected patients before and after scale-up of HCV treatment. DESIGN: Prospective multicentre HIV-HCV cohort study in Canada. METHODS: Cause-specific deaths, classified using a modified 'Coding of Cause of Death in HIV' protocol, were determined for two time periods, 2003-2012 and 2013-2017, stratified by age (20-49; 50-80 years). Comparison of trends between periods was performed using Poisson regression. To account for competing risks, multinomial regression was used to estimate the cause-specific hazard ratios of time and age on cause of death, from which end-stage liver disease (ESLD)-specific 5-year cumulative incidence functions were estimated. RESULTS: Overall, 1634 participants contributed 8248 person-years of follow-up; 273 (17%) died. Drug overdose was the most common cause of death overall, followed by ESLD and smoking-related deaths. In 2013-2017, ESLD was surpassed by drug overdose and smoking-related deaths among those aged 20-49 and 50-80, respectively. After accounting for competing risks, comparing 2003-2012 to 2013-2017, ESLD deaths declined (adjusted hazards ratio: 0.18, 95% confidence interval 0.05-0.62). However, both early and late period cumulative incidence functions demonstrated increased risk of death from ESLD for patients with poor HIV control and advanced fibrosis. CONCLUSION: The gains made in overall mortality with HCV therapy may be thwarted if modifiable harms are not addressed. Although ESLD-related deaths have decreased over time, treatment should be further expanded, prioritizing those with advanced fibrosis.
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 | 0,000 |
| 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) | 0,002 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».