A quantitative bias analysis of the association between supervised consumption service use and sharing of injection equipment among people who inject drugs in Toronto, Canada
Notice bibliographique
Résumé
PURPOSE: Supervised consumption services (SCS) prevent fatal overdoses, but less is known about their contemporary impact on infectious disease risk. METHODS: We used quantitative bias analyses (QBA) to evaluate the association between SCS use and sharing of injection equipment while accounting for measurement error, selection bias, and unmeasured confounding, drawing on a cross-sectional sample of 695 people who inject drugs in Toronto, Canada surveyed from 2018 to 2020. We estimated the association between self-reported SCS use and equipment sharing using modified Poisson regression. Sensitivity analyses varied SCS use categories and definitions of sharing. QBA estimated the impact of misclassification, selection bias, and unmeasured confounding. RESULTS: Almost all participants (96.6 %) had recently used a needle and syringe program. Frequent SCS use (≥26 % of injections) was not associated with sharing equipment (adjusted prevalence ratio (aPR): 0.98; 95 % CI: 0.77-1.24). Results of sensitivity analyses did not meaningfully differ. In multiple bias analysis, the median bias-adjusted PR of 1.04 (range: 0.83-1.42) suggested no association between regular SCS use (≥75 % of injections) and syringe sharing. CONCLUSIONS: In summary, SCS use was not associated with equipment sharing in a context of high needle and syringe program coverage. Misclassification, selection bias, and unmeasured confounding did not appear to impact the observed associations.
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 | 0,003 | 0,009 |
| 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 ».