Social determinants of injection drug use-associated bacterial infections and treatment outcomes: systematic review and meta-analysis
Notice bibliographique
Résumé
Background: Individual injecting practices (e.g., intramuscular injecting, lack of skin cleaning) are known risk factors for injection drug use-associated bacterial and fungal infections; however, social contexts shape individual behaviours and health outcomes. We sought to synthesize studies assessing potential social determinants of injecting-related infections and treatment outcomes. Methods: We searched five databases for studies published between 1 January 2000 and 18 February 18 2021 (PROSPERO CRD42021231411). We included studies of association (aetiology), assessing social determinants, substance use, and health services exposures influencing development of injecting-related infections and treatment outcomes. We pooled effect estimates via random effects meta-analyses. Results: We screened 4,841 abstracts and included 107 studies. Several factors were associated with incident or prevalent injecting-related infections: woman/female gender/sex (adjusted odds ratio [aOR] 1.57, 95% confidence interval [CI] 1.36-1.83; n=20 studies), homelessness (aOR 1.29, 95%CI 1.16-1.45; n=13 studies), cocaine use (aOR 1.31, 95%CI 1.02-1.69; n=10 studies), amphetamine use (aOR 1.74, 95%CI 1.39-2.23; n=2 studies), public injecting (aOR 1.40, 95%CI 1.05-1.88; n=2 studies), requiring injecting assistance (aOR 1.78, 95%CI 1.40-2.27; n=8 studies), and use of opioid agonist treatment (aOR 0.92, 95%CI 0.89-0.95; n=9 studies). Studies assessing outcomes during treatment (e.g., premature hospital discharge) or afterward (e.g., rehospitalization; all-cause mortality) typically had smaller sample sizes and imprecise effect estimates. Conclusions: Injecting-related infections and treatment outcomes may be shaped by multiple social contextual factors. Approaches to prevention and treatment should look beyond individual injecting practices towards addressing the social and material conditions within which people live, acquire and consume drugs, and access health care.
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 | 0,020 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,026 | 0,043 |
| Bibliométrie | 0,010 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».