Factors associated with pretreatment and treatment dropouts: comparisons between Aboriginal and non-Aboriginal clients admitted to medical withdrawal management
Notice bibliographique
Résumé
BACKGROUND: Addiction treatment faces high pretreatment and treatment dropout rates, especially among Aboriginals. In this study we examined characteristic differences between Aboriginal and non-Aboriginal clients accessing an inpatient medical withdrawal management program, and identified risk factors associated with the probabilities of pretreatment and treatment dropouts, respectively. METHODS: 2231 unique clients (Aboriginal = 451; 20%) referred to Vancouver Detox over a two-year period were assessed. For both Aboriginal and non-Aboriginal groups, multivariate logistic regression analyses were conducted with pretreatment dropout and treatment dropout as dependent variables, respectively. RESULTS: Aboriginal clients had higher pretreatment and treatment dropout rates compared to non-Aboriginal clients (41.0% vs. 32.7% and 25.9% vs. 20.0%, respectively). For Aboriginal people, no fixed address (NFA) was the only predictor of pretreatment dropout. For treatment dropout, significant predictors were: being female, having HCV infection, and being discharged on welfare check issue days or weekends. For non-Aboriginal clients, being male, NFA, alcohol as a preferred substance, and being on methadone maintenance treatment (MMT) at referral were associated with pretreatment dropout. Significant risk factors for treatment dropout were: being younger, having a preferred substance other than alcohol, having opiates as a preferred substance, and being discharged on weekends. CONCLUSIONS: Our results highlight the importance of social factors for the Aboriginal population compared to substance-specific factors for the non-Aboriginal population. These findings should help clinicians and decision-makers to recognize the importance of social supports especially housing and initiate appropriate services to improve treatment intake and subsequent retention, physical and mental health outcomes and the cost-effectiveness of treatment.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».