Simplified treatment of hepatitis C during the COVID-19 pandemic: retrospective analysis of the British Columbia Hepatitis C Network
Notice bibliographique
Résumé
Background: The COVID-19 pandemic changed the landscape of hepatitis C virus (HCV) treatment in Canada. In this study, we sought to describe the characteristics, management, and outcomes of patients treated during the pandemic. Methods: Retrospective analysis of the British Columbia HCV Network included HCV patients treated from March 17, 2018 to February 22, 2022. Patients who started treatment before and after March 17, 2020 were designated pre-pandemic and pandemic groups, respectively. Patients were followed until sustained virologic response 12 weeks post-treatment (SVR12). Results: A total of 851 patients underwent 854 treatments, with 481 (56%) pre-pandemic and 373 (44%) pandemic. Pandemic patients were younger (median age 57 versus 61 pre-pandemic; p <0.01) and 23% were on opioid agonist therapy (versus 11% pre-pandemic; p = 0.01). Fewer pandemic patients completed transient elastography (36% versus 56% pre-pandemic; p < 0.01). Pandemic patients utilized fewer in-person appointments and more telehealth appointments ( p < 0.01). Fewer pandemic patients completed treatment (85% versus 91% pre-pandemic; p = 0.23); the SVR12 rate was 97.8% in those completing treatment and lab work (versus 99.5% pre-pandemic; p < 0.01). Younger age, substance use, and opioid agonist therapy were associated with loss to follow-up during the pandemic. Conclusions: Patients treated for HCV in British Columbia during the pandemic utilized fewer resources and had more loss to follow-up but maintained high SVR12 rates. Transitioning from in-person to telehealth appointments proved effective in a real-world setting. Individualized strategies are required for special populations prone to loss to follow-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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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) | 0,002 | 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 ».