An intensive model of care for hepatitis C virus screening and treatment with direct‐acting antivirals in people who inject drugs in Nairobi, Kenya: a model‐based cost‐effectiveness analysis
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Hepatitis C virus (HCV) treatment is essential for eliminating HCV in people who inject drugs (PWID), but has limited coverage in resource-limited settings. We measured the cost-effectiveness of a pilot HCV screening and treatment intervention using directly observed therapy among PWID attending harm reduction services in Nairobi, Kenya. DESIGN: We utilized an existing model of HIV and HCV transmission among current and former PWID in Nairobi to estimate the cost-effectiveness of screening and treatment for HCV, including prevention benefits versus no screening and treatment. The cure rate of treatment and costs for screening and treatment were estimated from intervention data, while other model parameters were derived from literature. Cost-effectiveness was evaluated over a life-time horizon from the health-care provider's perspective. One-way and probabilistic sensitivity analyses were performed. SETTING: Nairobi, Kenya. POPULATION: PWID. MEASUREMENTS: Treatment costs, incremental cost-effectiveness ratio (cost per disability-adjusted life year averted). FINDINGS: The cost per disability-adjusted life-year averted for the intervention was $975, with 92.1% of the probabilistic sensitivity analyses simulations falling below the per capita gross domestic product for Kenya ($1509; commonly used as a suitable threshold for determining whether an intervention is cost-effective). However, the intervention was not cost-effective at the opportunity cost-based cost-effectiveness threshold of $647 per disability-adjusted life-year averted. Sensitivity analyses showed that the intervention could provide more value for money by including modelled estimates for HCV disease care costs, assuming lower drug prices ($75 instead of $728 per course) and excluding directly-observed therapy costs. CONCLUSIONS: The current strategy of screening and treatment for hepatitis C virus (HCV) among people who inject drugs in Nairobi is likely to be highly cost-effective with currently available cheaper drug prices, if directly-observed therapy is not used and HCV disease care costs are accounted for.
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) | 0,000 | 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 ».