Moving into an urban drug scene among people who use drugs in Vancouver, Canada: Latent class growth analysis
Notice bibliographique
Résumé
BACKGROUND: Urban drug scenes are characterized by high prevalence of illicit drug dealing and use, violence and poverty, much of which is driven by the criminalization of people who use illicit drugs (PWUD) and the associated stigma. Despite significant public health needs, little is understood about patterns of moving into urban drug scenes among PWUD. Therefore, we sought to identify trajectories of residential mobility (hereafter 'mobility') among PWUD into the Downtown Eastside (DTES), an urban neighbourhood with an open drug scene in Vancouver, Canada, as well as characterize distinct trajectory groups among PWUD. METHODS: Data were derived from three prospective cohort studies of community-recruited PWUD in Vancouver between 2005 and 2016. We used latent class growth analysis (LCGA) to identify distinct patterns of moving into the DTES among participants residing outside of DTES at baseline. Multivariable multinomial logistic regression was used to determine baseline factors associated with each trajectory group. RESULTS: In total, 906 eligible participants (30.9% females) provided 9,317 observations. The LCGA assigned four trajectories: consistently living outside of DTES (52.8%); early move into DTES (11.9%); gradual move into DTES (19.5%); and move in then out (15.8%). Younger PWUD, those of Indigenous ancestry, those who were homeless or living in a single-room occupancy hotel (SRO), and those injecting drugs daily were more likely to move in then out of DTES (all p<0.05). Living in an SRO, daily injection drug use, and recent incarceration were also positively associated with early mobility (all p<0.05). CONCLUSIONS: Nearly half of the participants moved into the DTES. Younger PWUD and Indigenous peoples appeared to have particularly high mobility, as did those with markers of social-structural vulnerability and high intensity drug use. These findings indicate a need to tailor existing social and health services within the DTES and expand affordable housing options outside the DTES.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».