Incidence and predictors of mental health disorder diagnoses among people who inject drugs in a Canadian setting
Notice bibliographique
Résumé
INTRODUCTION AND AIMS: Limited attention has been given to the predictors of mental health diagnoses among people who inject drugs (PWID) in community settings. Therefore, we sought to longitudinally examine the prevalence, incidence and predictors of mental disorder diagnosis among a community-recruited cohort of PWID. DESIGN AND METHODS: Data were derived from two prospective cohort studies of PWID (VIDUS and ACCESS) in Vancouver, Canada between December 2005 and May 2015. We used multivariable extended Cox regression to identify factors independently associated with self-reported mental disorder diagnosis during follow-up among those without a history of such diagnoses at baseline. RESULTS: Among the 923 participants who did not report a mental disorder at baseline, 206 (22.3%) reported a first diagnosis of a mental disorder during follow-up for an incidence density of 4.29 [95% confidence interval (CI) 3.72-4.91] per 100 person-years. In the multivariable analysis, female sex [adjusted hazards ratio (AHR) = 1.74, 95% CI 1.29-2.33], experiencing non-fatal overdose (AHR = 2.33, 95% CI 1.38-3.94), accessing any drug or alcohol treatment (AHR = 1.68, 95% CI 1.24-2.27), accessing any community health or social services (AHR = 1.53, 95% CI 1.02-2.28) and experiencing violence (AHR = 1.60, 95% CI 1.12-2.29) were independently associated with a mental disorder diagnosis at follow-up. DISCUSSION AND CONCLUSIONS: We observed a high prevalence and incidence of mental disorders among our community-recruited sample of PWID. The validity and implication of these diagnoses for key substance use and public health outcomes are an urgent priority.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».