COVID-19 vaccination intention among people who use drugs in France in 2021: results from the international community-based research program EPIC
Notice bibliographique
Résumé
BACKGROUND: COVID-19 vaccination is crucial to reduce the incidence of severe forms of the disease in the population. However, people who use drugs (PWUD) face structural and individual barriers to vaccination, and little is known about vaccination intention and factors associated with that intention among PWUD. This study aimed to estimate vaccination intention in PWUD and associated factors in the early stage of vaccination campaigns. METHODS: We conducted cross-sectional study in France among PWUD, as part of the international EPIC program, a community-based research study coordinated by Coalition PLUS. It included 166 unvaccinated PWUD attending harm reduction centers. A questionnaire collected data on sociodemographic characteristics, COVID-19 related difficulties, and mental health, among other things. Multivariate logistic regression was used to identify factors associated with low vaccination intention. RESULTS: Only 19% of participants reported strong intention to get vaccinated against COVID-19. Factors independently associated with low vaccination intention were younger age (aOR = 0.90, 95%CI = 0.85-0.95), lower education level (aOR = 2.67, 95% CI = 0.95-7.55), and unstable housing (aOR = 6.44, 95% CI = 1.59-40.34). The most-cited reasons for low intention were mistrust in COVID-19 vaccines (66.1%), fear of side effects (48.7%), and non-belief in vaccinations in general (25.2%). CONCLUSIONS: This study highlights the need for targeted COVID-19 information and interventions to increase vaccine uptake in PWUD, especially those living in precarity. Community-based interventions and targeted government assistance could play a crucial role in addressing vaccine hesitancy in this population, not only for COVID-19 but for future epidemics.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».