Gender influences on initiation of injecting drug use
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Gender differences in illicit drug use patterns and related harms (e.g. HIV infection) are becoming increasingly recognized. However, little research has examined gender differences in risk factors for initiation into injecting drug use. We undertook this study to examine the relationship between gender and risk of injection initiation among street-involved youth and to determine whether risk factors for initiation differed between genders. METHODS: From September 2005 to November 2011, youth were enrolled into the At-Risk Youth Study, a cohort of street-involved youth aged 14-26 in Vancouver, Canada. Cox regression analyses were used to assess variables associated with injection initiation and stratified analyses considered risk factors for injection initiation among male and female participants separately. RESULTS: Among 422 street-involved youth, 133 (32.5%) were female, and 77 individuals initiated injection over study follow-up. Although rates of injection initiation were similar between male and female youth (p = 0.531), stratified analyses demonstrated that, among male youth, risk factors for injection initiation included sex work (Adjusted Hazard Ratio [AHR] = 4.74, 95% Confidence Intervals [CI]: 1.45-15.5) and residence within the city's drug use epicenter (AHR = 1.95, 95% CI: 1.12-3.41), whereas among female youth, non-injection crystal methamphetamine use (AHR = 4.63, 95% CI: 1.89-11.35) was positively associated with subsequent injection initiation. CONCLUSION: Although rates of initiation into injecting drug use were similar for male and female street youth, the risk factors for initiation were distinct. These findings suggest a possible benefit of uniquely tailoring prevention efforts to high-risk males and females.
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) | 0,000 | 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 ».