Longitudinal latent polysubstance use patterns among a cohort of people who use opioids in Vancouver, Canada
Notice bibliographique
Résumé
INTRODUCTION: Polysubstance use (PSU) practices are increasing among people who use opioids (PWUO). However, several aspects of longitudinal PSU patterns among PWUO remain understudied. This study aims to identify person-centred longitudinal patterns of PSU among a cohort of PWUO. METHODS: Using longitudinal data (2005-2018) from three prospective cohort studies including people who use drugs in Vancouver, Canada, we used repeated measures latent class analysis to identify different PSU classes among PWUO. Multivariable generalised estimating equations models weighted by the respective posterior membership probabilities were applied to identify covariates of membership in different PSU classes over time. RESULTS: Overall, 2627 PWUO (median age at baseline: 36 [quartile 1-3: 25-45]) were included between 2005 and 2018. We found five distinct PSU patterns, including low/infrequent probability of regular substance use (Class 1; 30%), primarily opioid and methamphetamine use (Class 2; 22%), primarily cannabis use (Class 3; 15%), primarily opioid and crack use (Class 4; 29%) and frequent PSU (Class 5; 4%). Membership in Class 2, 4 and 5 was positively associated with several behavioural and socio-structural adversities. DISCUSSION AND CONCLUSIONS: Findings of this longitudinal study suggest PSU is the norm among PWUO and highlights the heterogeneous characteristics of PWUO. The diversities within the population of PWUO need to be recognised in addiction care and treatment as well as optimising resource allocation in the response to the overdose crisis.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».