MétaCan
Menu
Retour à la cohorte
Enregistrement W4407858132 · doi:10.1177/0272989x251319342

Health Utilities in People with Hepatitis C Virus Infection: A Study Using Real-World Population-Level Data

2025· article· en· W4407858132 sur OpenAlexafffundabout
Yasmin Saeed, Nicholas Mitsakakis, Jordan J. Feld, Murray Krahn, Jeffrey Kwong, William Wong

Notice bibliographique

RevueMedical Decision Making · 2025
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealthcare Policy and Management
Établissements canadiensPublic Health OntarioUniversity of TorontoUniversity of WaterlooChildren's Hospital of Eastern OntarioUniversity Health Network
Organismes subventionnairesCanadian Liver Foundation
Mots-clésMedicinePropensity score matchingHepatitis CCohortHepatitis C virusPopulationMental healthComorbidityCohort studyDemographyEnvironmental healthImmunologyGerontologyInternal medicinePsychiatryVirus

Résumé

récupéré en direct d'OpenAlex

BackgroundHepatitis C virus (HCV) infection is associated with reduced quality of life and health utility. It is unclear whether this is primarily due to HCV infection itself or commonly co-occurring patient characteristics such as low income and mental health issues. This study aims to estimate and separate the effects of HCV infection on health utility from the effects of clinical and sociodemographic factors using real-world population-level data.MethodsWe conducted a cross-sectional retrospective cohort study to estimate health utilities in people with and without HCV infection in Ontario, Canada, from 2000 to 2014 using linked survey data from the Canadian Community Health Survey and health administrative data. Utilities were derived from the Health Utilities Index Mark 3 instrument. We used propensity score matching and multivariable linear regression to examine the impact of HCV infection on utility scores while adjusting for clinical and sociodemographic factors.ResultsThere were 7,102 individuals with hepatitis C status and health utility data available (506 HCV-positive, 6,596 HCV-negative). Factors associated with marginalization were more prevalent in the HCV-positive cohort (e.g., household income <$20,000: 36% versus 15%). Propensity score matching resulted in 454 matched pairs of HCV-positive and HCV-negative individuals. HCV-positive individuals had substantially lower unadjusted utilities than HCV-negative individuals did (mean ± standard error: 0.662 ± 0.016 versus 0.734 ± 0.015). The regression model showed that HCV positivity (coefficient: -0.066), age, comorbidity, mental health history, and household income had large impacts on health utility.ConclusionsHCV infection is associated with low health utility even after controlling for clinical and sociodemographic variables. Individuals with HCV infection may benefit from additional social services and supports alongside antiviral therapy to improve their quality of life.HighlightsHepatitis C virus (HCV) infection is associated with reduced quality of life and health utility. There is debate in the literature on whether this is primarily due to HCV infection itself or commonly co-occurring patient characteristics such as low income and mental health issues.We showed that individuals with HCV infection have substantially lower health utilities than uninfected individuals do even after controlling for clinical and sociodemographic variables, based on a large, real-world population-level dataset. Socioeconomically marginalized individuals with HCV infection had particularly low health utilities.In addition to improving access to HCV testing and treatment, it may be beneficial to provide social services such as mental health and financial supports to improve the quality of life and health utility of people living with HCV.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,259
Score d'incertitude au seuil0,517

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,180
Tête enseignante GPT0,416
Écart entre enseignants0,236 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueMedical Decision MakingMême sujetHealthcare Policy and ManagementTravaux en français237 207