The prominence of smoking‐related mortality among individuals with alcohol‐ or drug‐use disorders
Notice bibliographique
Résumé
INTRODUCTION AND AIMS: Even though individuals with substance-use disorders have a high prevalence of tobacco smoking, surprisingly little is known about smoking-related mortality in these populations. The current retrospective cohort study aims to address this gap. DESIGN AND METHODS: The study sample included cohorts of individuals hospitalised in California between 1990 and 2005 with alcohol- (n = 509 422), cocaine- (n = 35 276), opioid- (n = 53 172), marijuana- (n = 15 995) or methamphetamine-use (n = 36 717) disorders. Death records were linked to inpatient data. Age-, race- and sex-adjusted standardised mortality ratios (SMR) were generated for 19 smoking-related causes of death. RESULTS: Smoking-related conditions comprised 49% (79 188/163 191) of total deaths in the alcohol, 40% (1412/3570) in the cocaine, 39% (4285/11 091) in the opioid, 42% (554/1332) in the methamphetamine and 36% (1122/3095) in the marijuana cohorts. The SMRs for all smoking-linked diseases were: alcohol, 3.57 (95% confidence interval [CI] = 3.55 to 3.58); cocaine, 2.40 (95% CI = 2.39 to 2.41); opioid, 4.26 (95% CI = 4.24 to 4.27); marijuana, 3.73 (95% CI = 3.71 to 3.74); and methamphetamine, 2.58 (95% CI = 2.57 to 2.59). The SMRs for almost all of the 19 cause-specific smoking-related outcomes were elevated across cohorts. DISCUSSION AND CONCLUSIONS: Given the current findings, addressing tobacco smoking among persons with substance-use disorders should be a critical concern, especially given the heavy smoking-related mortality burden and the currently limited attention devoted to smoking in these populations. [Callaghan RC, Gatley JM, Sykes J, Taylor L. The prominence of smoking-related mortality among individuals with alcohol- or drug-use disorders. Drug Alcohol Rev 2018;37:97-105].
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) | 0,000 | 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 ».