Determinants of overdose incidents among illicit opioid users in 5 Canadian cities
Notice bibliographique
Résumé
BACKGROUND: Drug overdose is a major cause of death and illness among illicit drug users. Previous research has indicated that most illicit drug users experience nonfatal overdoses and has suggested a variety of factors that are associated with risk of overdose. In this study, we examined the occurrence of and the factors associated with nonfatal overdoses within a Canadian sample of illicit opioid users not enrolled in treatment at the time of study recruitment. METHODS: Interviewers used a standard questionnaire to collect data on sociodemographic characteristics, drug use, health and health care, experience in the criminal justice system and treatment for drug problems; they also performed standard assessments for mental health and infectious disease. The association between overdose and sociodemographic and drug-use factors was examined with chi(2) and t test analyses; marginally significant variables were examined with logistic regression to determine independent effects. RESULTS: A total of 679 subjects were interviewed; 651 provided answers sufficient for this analysis. One hundred and twelve (17.2%) of the 651 respondents reported an overdose episode in the previous 6 months. In the logistic regression analysis (after adjustment for sociodemographic factors), homelessness, noninjection use of hydromorphone in the past 30 days and involvement in drug treatment in the past 12 months were predictors of overdose (p < 0.05). INTERPRETATION: Overdose poses a considerable health risk for illicit opioid users. We found that a diverse set of factors was associated with overdose episodes. Prevention efforts will likely be more effective if they can be directed to specific causal factors.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».