Denial of prescription analgesia among people who inject drugs in a <scp>C</scp>anadian setting
Notice bibliographique
Résumé
INTRODUCTION AND AIMS: Despite the high prevalence of pain among people who inject drugs (PWIDs), clinicians may be reluctant to prescribe opioid-based analgesia to those with a history of drug use or addiction. We sought to examine the prevalence and correlates of PWIDs reporting being denied of prescription analgesia (PA). We also explored reported reasons for and actions taken after being denied PA. DESIGN AND METHODS: Using data from two prospective cohort studies of PWIDs, multivariate logistic regression was used to identify the prevalence and correlates of reporting being denied PA. Descriptive statistics were used to characterise reasons for denials and subsequent actions. RESULTS: Approximately two-thirds (66.5%) of our sample of 462 active PWIDs reported having ever been denied PA. We found that reporting being denied PA was significantly and positively associated with having ever been enrolled in methadone maintenance treatment (adjusted odds ratio 1.76, 95% confidence interval 1.11-2.80) and daily cocaine injection (adjusted odds ratio 2.38, 95% confidence interval 1.00-5.66). The most commonly reported reason for being denied PA was being accused of drug seeking (44.0%). Commonly reported actions taken after being denied PA included buying the requested medication off the street (40.1%) or obtaining heroin to treat pain (32.9%). DISCUSSION AND CONCLUSIONS: These findings highlight the challenges of addressing perceived pain and the need for strategies to prevent high-risk methods of self-managing pain, such as obtaining diverted medications or illicit substances for pain. Such strategies may include integrated pain management guidelines within methadone maintenance treatment and other substance use treatment programs.
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 | 0,001 | 0,001 |
| 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 ».