Feasibility of hepatitis C elimination by screening and treatment alone in high-income countries
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Despite the availability of highly effective direct-acting antiviral therapy, chronic hepatitis C (CHC) continues to cause a major public health burden. In many high-income countries, treatment rates have been declining, which was exacerbated by the impact of the COVID-19 pandemic, threatening the ability to meet the World Health Organization (WHO)'s targets for eliminating HCV as a public health threat by 2030. We sought to model the impact of CHC in Canada, a resource-rich country with ongoing immigration from HCV-endemic regions; which relies exclusively on risk-based screening for case identification. APPROACH AND RESULTS: We developed an agent-based model to characterize the HCV epidemic in a high-income country with ongoing immigration. Combinations of prevention such as harm reduction, screening, and treatment strategies were considered. Model parameters were estimated from the literature and calibrated against historical HCV data. Sensitivity analyses were performed to assess uncertainty. Under the current status quo of risk-based screening, we predict the incidence of CHC-induced decompensated cirrhosis, HCC, and liver-related deaths would decrease by 79.4%, 76.1%, and 62.1%, respectively, between 2015 and 2030, but CHC incidence would only decrease by 11.1%. The results were sensitive to HCV transmission rate and an annual number of people initiating treatment. CONCLUSIONS: Current risk-based screening, and subsequent treatment, will be inadequate to achieve WHO goals. With extensive scale-up in screening, and treatment, the mortality target may be achievable, but the target for preventing new CHC cases is unlikely reachable, highlighting the importance of developing enhanced harm-reduction strategies for HCV elimination.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».