Knowledge and barriers associated with assessment and treatment for hepatitis C virus infection among people who inject drugs
Notice bibliographique
Résumé
INTRODUCTION AND AIMS: Uptake of treatment for hepatitis C virus (HCV) infection among people who inject drugs is low. Further understanding is required of the relationship between HCV knowledge and treatment willingness, assessment and treatment in this population. DESIGN AND METHODS: A cross-sectional self-administered survey was conducted with clients of four opioid substitution therapy (OST) clinics and the Medically Supervised Injecting Centre in Sydney, Australia. RESULTS: Of 132 participants, 85 (64%) self-reported having HCV infection. HCV knowledge was mixed (mean 6.5, range 0-12) and was relatively lower on items measuring knowledge of factors impacting HCV-related disease progression. The likelihood of being in a higher knowledge category was associated with being female [adjusted odds ratio (AOR) = 3.78, 95% confidence interval (CI) (1.79, 7.98)], higher formal education [AOR = 3.28, 95% CI (1.57, 6.88)], being on a current OST program [AOR = 2.61, 95% CI (1.10, 6.19)] and being older [AOR = 1.04, 95% CI (1.01, 1.09)]. Participants receiving OST were more likely to report higher willingness to have HCV treatment [OR = 4.45, 95% CI (2.23, 8.17)]. Having been assessed for HCV treatment was associated with younger age [AOR = 0.93; CI 95% (0.88, 1.00)] and higher formal education [AOR = 7.81; 95% CI (1.62, 37.71)]. DISCUSSION AND CONCLUSIONS: Overall, knowledge scores were mid-range. Knowledge of modifiable factors influencing HCV-related liver disease progression was particularly low indicating the need for ongoing education. Education should also be targeted at older people and those not on OST, and be inclusive of those with lower literacy levels.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».