Integrated supervised consumption services and hepatitis C testing and treatment among people who inject drugs in Toronto, Canada: A cross‐sectional analysis
Notice bibliographique
Résumé
Despite the availability of publicly funded hepatitis C (HCV) treatment in Canada, treatment gaps persist, particularly among people who inject drugs. We estimate correlates of HCV care cascade engagement (testing, diagnosis, and treatment) among people who inject drugs in Toronto, Canada and examine the effect of accessing differing supervised consumption service (SCS) models on self-reported HCV testing and treatment. This is a cross-sectional baseline analysis of 701 people who inject drugs surveyed in the Toronto, Ontario integrated Supervised Injection Services (OiSIS-Toronto) study between November 2018 and March 2020. We examine correlates of self-reported HCV care cascade outcomes including SCS model, demographic, socio-structural, drug use, and harm reduction characteristics. Overall, 647 participants (92%) reported ever receiving HCV testing, of whom 336 (52%) had been diagnosed with HCV. Among participants who reported ever being diagnosed with HCV, 281 (84%) reported chronic HCV, of whom 130 (46%) reported HCV treatment uptake and 151 (54%) remained untreated. Compared to those with no SCS use, participants who had ever injected at an integrated SCS model with co-located HCV care had greater prevalence of both ever receiving HCV testing (adjusted prevalence ratio [aPR]: 1.12, 95% confidence interval [CI]: 1.02-1.24) and ever receiving HCV treatment (aPR: 1.67, 95% CI: 1.04-2.69). Over half of participants diagnosed with chronic HCV reported remaining untreated. Our findings suggest that integrated SCS models with co-located HCV care represent key strategies for linkage to HCV care, but that more is needed to support scale-up.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».