Intimate partner violence among men who have sex with men in Canada: a cohort analysis (2017-2022)
Notice bibliographique
Résumé
Contexte: La violence entre partenaires intimes (VPI) constitue un problème de santé publique majeur. Cependant, la plupart des études ont principalement porté sur la VPI dans les relations hétérosexuelles, accordant une attention limitée à la VPI chez les partenaires de même sexe. Des études suggèrent que les hommes gais, bisexuels et autres hommes ayant des relations sexuelles avec des hommes (GBH) peuvent être exposés à des taux de VPI similaires à ceux des femmes hétérosexuelles, soulignant ainsi l'importance de mieux comprendre la prévalence de la VPI et son association avec des conséquences négatives pour la santé chez les GBH.Objectifs: Ma thèse vise à améliorer notre compréhension de l'expérience et de la perpétration de VPI chez les GBH en couple à Montréal, Toronto, et Vancouver (Canada) en:(1)Estimer la prévalence de période de l'expérience et de la perpétration de VPI physique et/ou sexuelle (VPI),(2)Identifier les déterminants de l'expérience de de la perpétration de VPI, et (3)Évaluer les tendances temporelles de la prévalence de la VPI avant et après les restrictions liées à la COVID-19.Méthodes: L'étude de cohorte Engage a recruté par échantillonnage guidé par les répondants des GBH à Montréal, Toronto et Vancouver pour améliorer les services de prévention du VIH et d'autres infections transmissibles sexuellement et par le sang au Canada. J'ai utilisé les données des participants avec un suivi entre 2017 et 2022 et inclus seulement les visites où les participants ont déclaré être en couple lors de cette visite ou de la dernière visite disponible. J'ai premièrement décrit le profil sociodémographique des participants et les tendances temporelles de la VPI pour chaque ville en utilisant des poids d'échantillonnage. J'ai ensuite estimé l'association entre la VPI et les déterminants à l’aide de régressions de Poisson avec des erreurs types robustes (équations d'estimation généralisées, GEE), tout en ajustant pour le biais de sélection (poids de probabilité inverse de la censure, IPCW) et les covariables. Les IPCW ont été calculés pour chaque ville et chaque visite à l'aide de modèles de score de propension utilisant les covariables avec un déséquilibre entre les participants avec des données de suivi et ceux sans (différence moyenne standardisée>0.1). Enfin, j'ai estimé les changements dans la prévalence de VPI pendant les périodes de restrictions COVID-19 avec de modèles de régression à spline cubique naturelle avec GEE.Résultats: J'ai analysé 1 455 participants en couple avec des données de suivi (âge médian 32 ans, 82 % gays, et 71 % blancs). Au départ, 31 % des participants ont déclaré avoir vécu une expérience de VPI au cours de leur vie et 17 % ont déclaré avoir perpétré au cours de leur vie. La violence physique était plus courante que la violence sexuelle pour l'expérience de VPI (25 % contre 13 %) et la perpétration (16 % contre 2 %). La prévalence de l'expérience de VPI au cours des 6 derniers mois (P6M) était supérieure à celle de la perpétration de VPI (7 % contre 4 %). Les taux d’expérience et de perpétration de VPI entre les villes étaient semblables. La consommation de drogues illicites était associée à une augmentation du risque d'expérience de VPI (rapport de prévalence ajusté, aPR=1,70; intervalle de confiance à 95 %, IC95%: 1,05-2,76) et de perpétration (aPR=2,25; IC95 %: 1,25-4,07). L'expérience et la perpétration de VPI sont restées stables au fil du temps, et les périodes de restrictions liées à la COVID-19 n'ont été associées à aucun changement.Conclusions: La VPI est répandue chez les GBH, et les sous-groupes marginalisés étaient particulièrement exposés au risque d'expérience et de perpétration de VPI. Malgré une forte prévalence de VPI au sein de cette population, les tendances de VPI P6M étaient relativement stables au cours de la période d'étude. Une action intersectionnelle est nécessaire pour lutter contre la VPI et ses facteurs de risque afin d'améliorer la santé
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,007 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».