Illicit drug use in acute care settings
Notice bibliographique
Résumé
INTRODUCTION AND AIMS: While persons with addiction are often hospitalised, hospitals typically employ abstinence-based policies specific to illicit drug use. Although illicit drug use is known to occur within hospitals, this problem has not been well characterised. Therefore, we sought to investigate the prevalence of and factors associated with having ever used drugs in hospital among people who use drugs in Vancouver, Canada. DESIGN AND METHODS: Data were derived from prospective cohort studies of people who use drugs between December 2012 and May 2013. Multivariable logistic regression was used to identify demographic and behavioural factors associated with having ever used illicit drugs in hospital. RESULTS: Among 1028 participants who had experienced ≥1 hospitalisation, 43.9% reported having ever used drugs while hospitalised. In multivariable analyses, factors positively associated with having ever used drugs in hospital included daily cocaine injection and daily crack non-injection (both P < 0.05). Factors negatively associated with the outcome included older age and male gender (both P < 0.05). The most common reasons for drug use in hospital were 'wanting to use' and 'being in withdrawal'. Drugs were most commonly used in patient washrooms. DISCUSSION AND CONCLUSIONS: Our findings demonstrate that an abstinence-based approach to drug use in hospitals may be ineffective at prohibiting drug consumption. High-risk drug use behaviours arising from ongoing drug use may pose risks for further harm and illness. Efforts to minimise the harms associated with using drugs in hospital are urgently needed. [Grewal HK, Ti L, Hayashi K, Dobrer S, Wood E, Kerr T. Illicit drug use in acute care settings. Drug Alcohol Rev 2015;34:499-502].
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».