Law enforcement‐derived data on gabapentin diversion and misuse, 2002‐2015: diversion rates and qualitative research findings
Notice bibliographique
Résumé
PURPOSE: Recent limited epidemiologic and case reports suggest that gabapentin is being misused, especially among prescription opioid misusers. However, no apparent studies have reported data from law enforcement on the diversion and misuse of gabapentin. METHODS: Case report data are drawn from a quarterly survey of prescription drug diversion completed by a national sample of law enforcement and regulatory agencies who engage in drug diversion investigations. Rates of gabapentin diversion per 100 000 population were calculated for each quarter from 2002 through 2015. Qualitative data are drawn from a brief questionnaire completed by a subsample of survey respondents and were organized and presented by theme. RESULTS: In total, 407 new cases of diverted gabapentin were reported during the time period, with diversion rates steadily increasing from zero cases in the first 2 quarters of 2002 to a high of 0.027 cases per 100 000 population in the fourth quarter of 2015. Qualitative data suggest that gabapentin is being misused in conjunction with prescription opioids and that gabapentin and heroin are being combined and consumed together. Law enforcement reporters found these drug use trends to be contributing to gabapentin diversion. CONCLUSIONS: The recent increase in gabapentin diversion appears to be related to the opioid epidemic, based on law enforcement descriptions of gabapentin being misused in combination with opioids. Yet epidemiological data related to this finding is limited and research conducted among gabapentin misusers is needed to understand this problem in more depth. Greater monitoring of gabapentin abuse and diversion appear warranted.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».