Exploring sex differences in drug use, health and service use characteristics among young urban crack users in Brazil
Notice bibliographique
Résumé
INTRODUCTION: Studies have shown important gender differences among drug (including crack) users related to: drug use patterns; health risks and consequences; criminal involvement; and service needs/use. Crack use is prevalent in Brazil; however, few comparative data by sex exist. We examined and compared by sex key drug use, health, socio-economic indicators and service use in a bi-city sample of young (18-24 years), regular and marginalized crack users in Brazil. METHODS: Study participants (total n = 159; n = 124 males and n = 35 females) were recruited by community-based methods from impoverished neighborhoods in Rio de Janeiro and Salvador. Assessments occurred by an anonymous interviewer-administered questionnaire and serum collection for blood-borne virus testing between November 2010 and June 2011. Descriptive statistics and differences for key variables by sex were computed; in addition, a 'chi-squared automatic interaction detector' ('CHAID') analysis explored potential primary factors differentiating male and female participants. RESULTS: Most participants were non-white, and had low education and multiple income sources. More women had unstable housing and income from sex work and/or panhandling/begging, whereas more men were employed. Both groups indicated multi-year histories of and frequent daily crack use, but virtually no drug injection histories. Men reported more co-use of other drugs. More women were: involved in sex-for-drug exchanges; blood-borne virus (BBV) tested and HIV+. Both groups reported similar physical and mental health patterns; however women more commonly utilized social or health services. The CHAID analysis identified sex work; paid work; begging/panhandling; as well as physical and mental health status (all at p < 0.05) as primary differentiating factors by sex. CONCLUSIONS: Crack users in our study showed notable differences by sex, including socio-economic indicators, drug co-use patterns, sex risks/work, BBV testing and status, and service utilization. Results emphasize the need for targeted special interventions and services for males and female crack users in Brazil.
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 | 0,004 | 0,001 |
| 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 | 0,001 | 0,002 |
| Science ouverte | 0,001 | 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 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 ».