Nonmedical use of opioid analgesics among Ontario students.
Notice bibliographique
Résumé
OBJECTIVE: To explore the prevalence and the demographic predictors of nonmedical use of opioid analgesics in the Canadian adolescent population. DESIGN: Data are based on self-reports derived from the 2007 Ontario Student Drug Use and Health Survey, which is an anonymous, in-school, cross-sectional survey. SETTING: Schools in Ontario. PARTICIPANTS: A total of 2914 students in grades 7 to 12. MAIN OUTCOME MEASURES: Demographic predictors of nonmedical use of opioid analgesics during the past year and the sources of opioid analgesics. RESULTS: Students ranged in age from 12 to 19 years (mean 15.0, SD 1.9) and 52% were male. Of the students surveyed, 20.6% (95% confidence interval [CI] 18.9% to 22.3%) reported using opioid analgesics at least once nonmedically during the past year, with 6.2% using exclusively nonmedically and 14.4% using nonmedically and medically. Female students (16.6%, CI 14.1% to 19.6%) were more likely than male students (12.0%, CI 10.0% to 14.2%) to have used opioid analgesics both nonmedically and medically in the past year, although exclusive nonmedical use was similar between female (6.7%, CI 5.3% to 8.5%) and male (5.8%, CI 4.5% to 7.3%) students. Among students who reported using opioid analgesics nonmedically, 72% reported obtaining them from home and only 6% reported obtaining them from friends. Nonmedical opioid analgesic users had higher past-year prevalences for alcohol use, daily smoking, and other illicit drug use compared with nonusers. CONCLUSION: Nonmedical use of opioids is common among Ontario students. The motivation for using these medications without prescriptions or without medical supervision is not known. Students might have used these medications recreationally or for pain relief. Regardless of motivation, these medications are being used without medical supervision. It is important to note that the home is the main source for opioid analgesics in the absence of a prescription. Parents should be vigilant and educate themselves and their children about these medications, ensuring that prescription opioids are stored properly and avoiding casual sharing of these medications among family members.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».