Characterization of HCV-infected people who inject drugs (PWID) in the setting of clinical care in Canada (CAPICA): A retrospective study
Notice bibliographique
Résumé
Background: People who use drugs (PWUD) are among the highest risk category for becoming infected with the hepatitis C virus (HCV) in Canada. There is a need for more information on the demographics of HCV-infected PWUD/PWID who have recently injected drugs or who are actively injecting drugs. Methods: CAPICA was a multicentre, retrospective database/chart review conducted from October 2015 to February 2016 that was designed to characterize HCV-infected people who inject drugs (PWID) and are enrolled in clinical care in Canada. The aim was to identify factors of health care engagement essential in the design systems of HCV care and treatment in this population. The study enrolled 420 patients with a history of injection drug use within the last 12 months who had been diagnosed with chronic viremic HCV infection and had been participants in an outpatient clinical care setting in the past 12 months. Patients who were co-infected with HIV/HCV were excluded. Results: Harm reduction programs were in place at 92% (11/12) of the sites, and 75% (9) of these sites offered opioid agonist therapy (OAT), with 48% of the patients currently taking OAT. HCV genotype 1a was most prevalent (56%), followed by G3 (34%), and the most common fibrosis score was F1 (34%). The average reinfection rate was about 5%. Seventeen percent of the patients were undergoing HCV treatment or had recently failed therapy, while 83% were not being treated. Conclusions: In a multivariate analysis, the following factors were significantly associated with treatment: increasing age (OR 1.10), a fibrosis score of F4 (OR 4.91), moderate alcohol consumption (OR 3.70), and not using a needle exchange program (OR 6.95).
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 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».