Estimating variations between health care centres in the uptake of Hepatitis C Virus (HCV) treatment in HIV-HCV co-infected patients
Notice bibliographique
Résumé
The effect of Health Care Centres on uptake of Hepatitis C Virus (HCV) treatment in HIV-HCV co-infected patientsBackgroundThe purpose of the study was to investigate the effect of health care centres on HCV treatment uptake after adjusting for case-mix variables. Methods Using data from the Canadian Co-infection Cohort, we modelled time to HCV treatment uptake using a Bayesian survival analysis model with random intercepts for each of the 16 cohort centres. To take into account variability in patient populations served at each centre (case-mix), models were adjusted for age, gender, ethnicity, HCV genotype; and at cohort enrolment, duration of HCV infection, receipt of combination antiretroviral therapy, history of psychiatric illness ,CD4 cell count, and self-reports of homelessness, use of intravenous drugs, and current use of alcohol. Variation between centres in treatment uptake was estimated and centres ranked according to their rate of starting patients on HCV treatment. Results Among 996 cohort participants, 390 were excluded (past HCV treatment n=170, spontaneous clearance n=50, contribution of only enrolment data n=160 and missing baseline CD4 cell count n=10). Of the remaining 606 participants, 122 started HCV treatment. Patients with more favourable HCV genotypes (2 or 3) were more likely to initiate treatment. Two centres more frequently initiated patients on HCV treatment while one centre did so less often. Conclusions After adjustment for case-mix, there was still appreciable variation in treatment uptake between centres. Determining the factors associated with higher HCV treatment rates at two centres may be informative for improving wider access to HCV treatment for co-infected persons.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».