Harms of prescription opioid use in the United States
Notice bibliographique
Résumé
BACKGROUND: Consumption levels of prescription opioids (POs) have increased substantially worldwide, particularly the United States. An emerging perspective implicates increasing consumption levels of POs as the primary system level driving factor behind the observed PO-related harms. As such, the present study aimed to assess the correlations between consumption levels of POs and PO-related harms, including non-medical prescription opioid use (NMPOU), PO-related morbidity and PO-related mortality. FINDINGS: Pearson's product-moment correlations were computed using published data from the United States (2001 - 2010). Consumption levels of POs were extracted from the technical reports published by the International Narcotics Control Board, while data for NMPOU was utilized from the National Survey on Drug Use and Health. Additionally, data for PO-related morbidity (substance abuse treatment admissions per 10,000 people) and PO-related mortality (PO overdose deaths per 100,000 people) were obtained from published studies. Consumption levels of POs were significantly correlated with prevalence of NMPOU in the past month (r =0.741, 95% CI =0.208-0.935), past year (r =0.638, 95% CI =0.014-0.904) and lifetime (r =0.753, 95% CI =0.235-0.938), as well as average number of days per person per year of NMPOU among the general population (r =0.900, 95% CI =0.625-0.976) and NMPOU users (r =0.720, 95% CI =0.165-0.929). Similar results were also obtained for PO-related morbidity and PO-related mortality measures. CONCLUSION: These findings suggest that reducing consumption levels of POs at the population level may be an effective strategy to limit PO-related harms.
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 ».