Understanding the social determinants of opioid related hospitalizations
Notice bibliographique
Résumé
IntroductionThe current opioid crisis is recognized by governments at many levels as an urgent priority. While there is basic demographic information on who experiences opioid related adverse events, there is little information to provide a more fulsome profile of those experiencing these events for targeted intervention and forward projection estimation.
 Objectives and ApproachThis study is the first to use a nationally-representative Census of Population linked with health administrative data to examine opioid-related hospitalization patterns across income and Aboriginal status.
 ResultsPreliminary analyses using 2006 Census-hospital linked database found cohort rates of opioid-related hospitalizations are up to 7 times higher among Aboriginal youth, and also for young adults (12-19/ 20-24) compared with non-Aboriginal youth or young adults. Rates among these youth living on reserves were 8.4 times higher; among those off reserve 8.7 times higher. Rate among all youth living in lower income households was 5 times higher compared with those living in highest income households, For Aboriginal persons in lowest income quintile, the rate was 3 times higher relative to non-Aboriginal persons in same quintille.
 Conclusion/ImplicationsNew linked health data reveal new information regarding the profile of those who experienced opioid-related adverse events. This information will serve to inform targeted intervention strategies, models for forward estimation of events.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».