Profiling poly-substance use typologies in a multi-site cohort of illicit opioid and other drug users in Canada–a latent class analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
'Poly-substance use' is increasingly prevalent among street drug user populations. The objective was to employ latent class analysis (LCA) to empirically categorize and extract potential typologies of poly-substance users within a multi-site cohort of illicit opioid and other drug users (OPICAN) in Canada, and examine potential associations with social and health indicators. Drug use patterns of 582 participants from the most recent follow-up (2005) of the cohort study–focusing on drug use prevalence indicators in the past 30 days–were empirically analyzed via LCA. These classes were further examined for associations with social and health variables using chi-square, ANOVA. Binomial logistic regression models were used to predict class membership. LCA analysis resulted in eight distinct user typologies, characterized both by the distinct relative prevalence of different substances (e.g., including: heroin, prescription opioids, benzodiazepines, cocaine, crack, alcohol, cannabis, and others) used and administration routes (e.g., injection or noninjection), the majority of which were described by the predominant use of two or more distinct substance groups (e.g., opioids and stimulants). At least two of the active poly-substance user classes were described by predominant noninjection as the primary route of administration. 'Poor or fair' health status was reported at the highest prevalence level by the class of intensive poly-substance injectors, while HCV-positive status was disproportionately low in the classes of current noninjectors. Analytical examination of poly-substance use patterns is a distinct challenge for meaningful drug use monitoring, also providing important evidence for targeted prevention and treatment interventions.
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 découle