Trends in Hepatitis C and Hepatitis B Deaths Identify Successes and Disparities, Alameda County, CA, 2005 - 2022
Notice bibliographique
Résumé
Background: Hepatitis B virus (HBV) and hepatitis C virus (HCV) mortality is a metric for viral hepatitis elimination. Assessments of HBV and HCV mortality at the local level can focus viral hepatitis prevention efforts. Methods: We conducted a cross-sectional and trend analysis of Alameda County residents with HBV or HCV who died in California, using California's Integrated Vital Records System, 2005 - 2022. We selected International Statistical Classification of Diseases and Related Health Problems, Tenth Revision (ICD-10) codes specific to HBV, HCV, or both, as a cause of death. We used Joinpoint regression to investigate trend differences in age-adjusted HCV mortality rates by sex, race/ethnicity, and Healthy Places Index (HPI) quartiles. Results: A total of 2,165 HBV and HCV deaths were identified in Alameda County (313 HBV, 1,809 HCV, and 43 co-infected deaths). Most HBV decedents were Asian (73.2%) and born outside the United States (78.9%). Age-adjusted HCV mortality rates decreased for all groups from 2013 to 2022; HBV mortality did not decline. African American/Black and Hispanic/Latinx residents had smaller percent decreases in HCV mortality than Asian residents (average annual percent change (AAPC) difference: 6.6% (0.4%, 12.9%); P = 0.04 and 9.3% (3.5%, 15.1%); P = 0.002). The least advantaged HPI quartile 1 had a smaller percent decrease in HCV mortality than the most advantaged HPI quartile 4 (AAPC difference: 8.3% (3.6%, 12.9%); P = 0.01). Conclusions: We identified successes, challenges, and disparities in the burden and trends of HBV and HCV deaths in Alameda County. Focused efforts to expand viral hepatitis screening, vaccination, and treatment are needed to address these gaps and reach elimination targets.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».