Incarceration and drug use patterns among a cohort of injection drug users
Notice bibliographique
Résumé
AIMS: Drug law enforcement remains the dominant response to drug-related harm. However, the impact of incarceration on deterring drug use remains under-evaluated. We sought to explore the relationship between incarceration and patterns of drug use among people who inject drugs (IDU). DESIGN: Using generalized estimating equations (GEE), we examined the prevalence and correlates of injection cessation among participants in the Vancouver Injection Drug User Study followed over 9 years. In subanalyses, we used McNemar's tests and linear growth curve analyses to assess changes in drug use patterns before and after a period of incarceration among participants reporting incarceration and those not incarcerated. FINDINGS: Among 1603 IDU, 842 (53%) reported injection cessation for at least 6 months at some point during follow-up. In multivariate GEE analyses, recent incarceration was associated negatively with injection cessation [adjusted odds ratio (AOR) = 0.43, 95% confidence interval (CI) 0.37-0.50], whereas the use of methadone was associated positively with cessation (AOR = 1.38, 95% CI 1.22-1.56). In subanalyses assessing longitudinal patterns of drug use among incarcerated individuals and those not incarcerated over the study period, linear growth curve analyses indicated that there were no statistically significant differences in patterns of drug use between the two groups (all P > 0.05). CONCLUSIONS: These observational data suggest that incarceration does not reduce drug use among IDU. Incarceration may inhibit access to mechanisms that promote injection cessation among IDU. In contrast, results indicate that methadone use is associated positively with injection cessation, independent of previous frequency of drug use.
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) | 0,000 | 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 ».