MétaCan
Menu
Retour à la cohorte
Enregistrement W2891864347 · doi:10.24095/hpcdp.38.9.03f

Surveillance des cas suspectés d’intoxication et de blessures liées aux opioïdes : tendances et contexte tirésdu Système canadien hospitalier d’information et de recherche en prévention des traumatismes, mars 2011 à juin 2017

2018· article· fr· W2891864347 sur OpenAlexaffvenueabout
T. Minh, Vicky C. Chang, Semra Tibebu, Wendy Thompson, Anne‐Marie Ugnat

Notice bibliographique

RevuePromotion de la santé et prévention des maladies chroniques au Canada · 2018
Typearticle
Languefr
DomaineMedicine
ThématiqueOpioid Use Disorder Treatment
Établissements canadiensCarleton UniversityPublic Health OntarioUniversity of TorontoPublic Health Agency of Canada
Organismes subventionnairesnon disponible
Mots-clésHumanitiesPolitical scienceGynecologyMedicinePhilosophy

Résumé

récupéré en direct d'OpenAlex

Introduction La crise actuelle des opioïdes est un problème de santé publique majeur au Canada. Il est nécessaire de connaître les facteurs de risque en amont associés à la consommation d’opioïdes pour éclairer les efforts de prévention des blessures, de promotion de la santé et de réduction des méfaits. Méthodologie Nous avons analysé les données sur les blessures subies par des personnes traitées dans les services d’urgence (SU) de onze hôpitaux pédiatriques et de six hôpitaux généraux au Canada et recueillies par le Système canadien hospitalier d’information et de recherche en prévention des traumatismes en ligne (SCHIRPTe) entre mars 2011 et juin 2017. Nous avons identifié les blessures apparemment liées aux opioïdes au moyen de chaînes de recherche et nous les avons vérifiées manuellement. Nous avons calculé des rapports proportionnels de blessures (RPB) en fonction de l’âge et du sexe ainsi que des intervalles de confiance à 95 % pour comparer les blessures liées à la consommation d’opioïdes à l'ensemble des blessures figurant dans le SCHIRPTe. Une régression binomiale négative a été utilisée pour déterminer les tendances au fil du temps. Nous avons effectué des analyses qualitatives des informations descriptives afin d'en dégager les thèmes communs spécifiques à chaque étape de vie. Résultats Nous avons identifié 583 cas d'intoxications ou de blessures apparemment liées aux opioïdes dans le SCHIRPTe pour la période allant de mars 2011 à juin 2017. La majorité concernaient des femmes (55 %) et sont survenues au domicile des patients (51 %). Quarante-cinq pour cent des blessures étaient des automutilations intentionnelles. Chez les enfants (1 à 9 ans), la plupart des blessures ont été causées par une consommation accidentelle d’opioïdes laissés sans surveillance. Chez les jeunes (10 à 19 ans) et les adultes (20 à 49 ans), la consommation d’opioïdes était associée à une maladie mentale sous-jacente. Dans l’ensemble, on observe une augmentation de la variation annuelle moyenne en pourcentage (VAMP) du taux de blessures (pour 100 000 cas dans le SCHIRPTe) depuis 2012 (VAMP = 11,9 %, p $lt; 0,05), particulièrement marquée chez les hommes (VAMP = 16,3 %, p $lt; 0,05). Les personnes victimes de blessures apparemment liées à la consommation d’opioïdes étaient plus susceptibles d’être admises à l’hôpital que les personnes victimes d'autres types de blessure (RPB = 5,3, IC à 95 % : 4,6 à 6,2). Conclusion Les déterminants en amont des blessures liées à l’utilisation d’opioïdes sont complexes et varient probablement selon les sous-populations. La surveillance continue des facteurs de risque est donc importante afin d'obtenir les données probantes nécessaires à la prévention d’autres surdoses et décès.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,015
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,177
Score d'incertitude au seuil0,356

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,015
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,006
Études des sciences et des technologies0,0020,001
Communication savante0,0020,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,034
Tête enseignante GPT0,369
Écart entre enseignants0,335 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2018
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revuePromotion de la santé et prévention des maladies chroniques au CanadaMême sujetOpioid Use Disorder TreatmentTravaux en français237 207