Population Size Estimation of People Who Use Illicit Drugs and Alcohol in Iran (2015-2016)
Notice bibliographique
Résumé
BACKGROUND: Estimating the number of people using illicit drugs and alcohol is necessary for informing health policy and programming. However, it is often challenging to reliably estimate the size of these marginalized populations through direct methods. In this study, we estimated the population size of these groups using the indirect Network Scale-Up (NSU) method in Iran from 2015 to 2016. METHODS: Using a self-administered questionnaire, we asked 15 124 individuals (54% men) about the number of people they know who used different types of drugs at least once in the past 12 months. Prevalence estimates were reported per 100 000 population. The uncertainty level (UL) was calculated using the bootstrap method. RESULTS: The average age of the respondents was 33 years old, and 35.1% of them were unmarried. The most common drugs and their prevalence were as follows: opium (2534 [95% UL: 2467-2598]), hashish (849 [95% UL: 811-886]), stimulants (methamphetamine, ecstasy pills, cocaine, and Ritalin) (842 [95% UL: 802-879]), heroin/crack (578 [95% UL: 550-607]), and drug injection (459 [95% UL: 438-484]). Additionally, we estimated the prevalence of alcohol use as 2797 (95% UL: 2731-2861). On average, substance use was 5.23 times more prevalent among men than women. Opium use was more prevalent among individuals aged >50 years old. Moreover, alcohol use was more prevalent among participants between 18 and 30 years old (5164 per 100 000 population). CONCLUSION: Although opium continues to be the most prevalent illicit drug in Iran, the patterns of illicit drug use are heterogeneous among different age groups, genders, and provinces. Age-gender specific and culturally appropriate interventions are warranted to meet the needs of people in different subgroups.
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 | 0,001 | 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 ».