Opioid use and risk of liver fibrosis in<scp>HIV</scp>/hepatitis<scp>C</scp>virus‐coinfected patients in<scp>C</scp>anada
Notice bibliographique
Résumé
OBJECTIVES: Opioid use and opioid-related mortality have increased dramatically since the 1990s in North America. The effect of opioids on the liver is incompletely understood. Some studies have suggested that opioids cause liver damage and others have failed to show any harm. HIV/hepatitis C virus (HCV)-coinfected persons may be particularly vulnerable to factors increasing liver fibrosis. We aimed to describe opioid use in an HIV/HCV-coinfected population in Canada and to estimate the association between opioid use and liver fibrosis. METHODS: We conducted a cross-sectional descriptive analysis of the Canadian Co-infection Cohort Study data to characterize opioid use. We then conducted a longitudinal analysis to assess the average change in aspartate aminotransferase-to-platelet ratio index (APRI) score associated with opioid use using a generalized estimating equation with linear regression. We assessed the progression to significant liver fibrosis (APRI ≥ 1.5) associated with opioid use with pooled logistic regression. RESULTS: In the 6 months preceding cohort entry, 32% of the participants had received an opioid prescription, 28% had used opioids illicitly and 18% had both received a prescription and used opioids illicitly. Neither prescribed nor illicit opioid use was associated with a change in the median APRI score [exp(β) 0.99 (95% confidence interval (CI) 0.82, 1.12) and exp(β) 0.95 (95% CI 0.81, 1.10), respectively] or with faster progression to liver fibrosis [hazard odds ratio (HOR) 1.20 (95% CI 0.73, 1.67) and HOR 1.09 (95% CI 0.63, 1.55), respectively]. CONCLUSIONS: Although opioids were commonly used both legally and illegally in our cohort, we were unable to demonstrate a negative impact on liver fibrosis progression.
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 | 0,002 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».