Estimating State Transitions for Opioid Use Disorders
Notice bibliographique
Résumé
AIM: The aim was to estimate transitions between periods in and out of treatment, incarceration, and legal supervision, for prescription opioid (PO) and heroin users. METHODS: We captured all individuals admitted for the first time for publicly funded treatment for opioid use disorder (OUD) in California (2006 to 2010) with linked mortality and criminal justice data. We used Cox proportional hazards and competing risks models to assess the effect of primary PO use (v. heroin) on the hazard of transitioning among 5 states: (1) opioid detoxification treatment; (2) opioid agonist treatment (OAT); (3) legal supervision (probation or parole); (4) incarceration (jail or prison); and (5) out-of-treatment. Transitions were conditional on survival, and death was modeled as an absorbing state. RESULTS: Both primary PO (n = 11,733) and heroin (n = 19,926) users spent most of their median 2.3 y of observation out of treatment. Primary PO users were significantly younger (median age 30 v. 34 y), and a higher percentage were female (43.1% v. 31.5%; P < 0.001), white (74.6% v. 63.1%; P < 0.001), and had completed high school (31.8% v. 18.9%; P < 0.001). When compared to primary heroin users, PO users had a higher hazard of transitioning from detoxification to OAT (Hazard Ratio (HR), 1.65; 95% CI, 1.54 to 1.77), and had a lower hazard of transitioning from out-of-treatment to either detoxification (0.75 [0.70, 0.81]) or OAT (0.90 [0.85, 0.96]). CONCLUSION: Our findings can be applied directly in state transition modeling to improve the validity of health economic evaluations. Although PO users tended to remain in treatment for longer durations than heroin users, they also tended to remain out of treatment for longer after transitioning to an out-of-treatment state. Despite the proven effectiveness of time-unlimited treatment, individuals with OUD spend most of their time out of treatment.
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 | 0,003 |
| 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) | 0,001 | 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 ».