The need for treatment scale-up to impact HCV transmission in people who inject drugs in Montréal, Canada: a modelling study
Notice bibliographique
Résumé
Abstract Background HCV transmission remains high in people who inject drugs (PWID) in Montréal. New direct-acting antivirals (DAAs), highly effective and more tolerable than previous regimens, make a “Treatment as Prevention” (TasP) strategy more feasible. This study assesses how improvements in the cascade of care could impact hepatitis C burden among PWID in Montréal. Methods We used a dynamic model to simulate HCV incidence and prevalence after 10 years, and cirrhosis complications after 10 and 40 years. Eight scenarios of improved cascade of care were examined. Results Using a baseline incidence and prevalence of 22.1/100 person-years (PY) and 53.1%, implementing the current cascade of care using DAAs would lead to HCV incidence and prevalence estimates at 10 years of 9.4/100PY and 55.8%, respectively. Increasing the treatment initiation rate from 5%/year initially to 20%/year resulted in large decreases in incidence (6.4/100PY), prevalence (36.6%), and cirrhosis complications (−18%/-37% after 10/40 years). When restricting treatment to fibrosis level ≥ F2 instead of F0 (reference scenario), such decreases in HCV occurrence were unreachable. Improving the whole cascade of care led to the greatest effect by halving both the incidence and prevalence at 10 years, and the number of cirrhosis complications after 40 years. Conclusions The current level of treatment access in Montréal is limiting a massive decrease in hepatitis C burden among PWID. A substantial treatment scale-up, regardless of fibrosis level, is necessary. While improving the rest of the cascade of care is necessary to optimize a TasP strategy and control the HCV epidemic, a treatment scale-up is first needed.
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) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,044 | 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 ».