Measuring hepatitis C virus elimination as a public health threat: Beyond global targets
Notice bibliographique
Résumé
An increasing number of countries are committing to meet the World Health Organization (WHO) targets to eliminate hepatitis C virus (HCV) as a public health threat by 2030. These include service coverage targets (90% diagnosed and 80% of diagnosed patients treated) and impact targets (80% and 65% reductions in incidence and mortality, respectively, compared to 2015 levels). Currently, a dozen countries are on track to reach 2030 WHO HCV targets. However, while striving for the WHO targets is important, it should be recognized that progress on impact targets is derived from mathematical models projecting decreases in incidence and mortality on a global scale. Despite HCV treatment access in many counties for a number of years, limited empirical data are available to evaluate progress towards elimination. In some countries, substantial incidence and mortality reductions based on reaching the WHO service coverage targets may be unachievable. For example, in countries with ageing hepatitis C-infected populations, even if they have a quality hepatitis C response, high hepatitis C-related morbidity at baseline may not be reversible even with increased HCV treatment uptake and diagnosis. Finally, WHO targets are not necessarily easily or reliably measurable. Measuring relative impact targets requires high-quality data at baseline (ie 2015) and longitudinal data to assess temporal trends. In this commentary, we propose alternative additional measures to track progress on reducing the HCV burden, offer examples where the WHO targets may not be informative or achievable, and potential practical solutions.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».