Demographic, risk behaviour and personal network variables associated with prevalent hepatitis C, hepatitis B, and HIV infection in injection drug users in Winnipeg, Canada
Notice bibliographique
Résumé
BACKGROUND: Previous studies have used social network variables to improve our understanding of HIV transmission. Similar analytic approaches have not been undertaken for hepatitis C (HCV) or B (HBV), nor used to conduct comparative studies on these pathogens within a single setting. METHODS: A cross-sectional survey consisting of a questionnaire and blood sample was conducted on injection drug users in Winnipeg between December 2003 and September 2004. Logistic regression analyses were used to correlate respondent and personal network data with HCV, HBV and HIV prevalence. RESULTS: At the multivariate level, pathogen prevalence was correlated with both respondent and IDU risk network variables. Pathogen transmission was associated with several distinct types of high-risk networks formed around specific venues (shooting galleries, hotels) or within users who are linked by their drug use preferences. Smaller, isolated pockets of IDUs also appear to exist within the larger population where behavioural patterns pose a lesser risk, unless or until, a given pathogen enters those networks. CONCLUSION: The findings suggest that consideration of both respondent and personal network variables can assist in understanding the transmission patterns of HCV, HBV, and HIV. It is important to assess these effects for multiple pathogens within one setting as the associations identified and the direction of those associations can differ between pathogens.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».