Relation between opioid-related harms and socioeconomic inequalities in Ontario: a population-based descriptive study
Notice bibliographique
Résumé
BACKGROUND: Negative health outcomes associated with the use of both prescribed and nonprescribed opioids are increasingly prevalent. We examined long-term trends in opioid-related harms in Ontario across a set of 6 indicators and the relation between harms and neighbourhood income in 2016. METHODS: We examined rates of neonatal abstinence syndrome, opioid poisoning (fatal and nonfatal) and nonpoisoning opioid-related events from 2003 to 2016 in Ontario using population-based health administrative databases. We conducted descriptive analyses for harm indicators across neighbourhood income quintiles in 2016 (2015 for death). We examined social inequalities in opioid-related harms on both relative (prevalence ratio) and absolute (potential rate reduction) scales. RESULTS: Rates of opioid-related harms increased dramatically between 2003 and 2016. In 2016, neonatal abstinence syndrome and opioid poisoning and nonpoisoning events showed a strong social gradient, with harm rates being lowest in higher-income neighbourhoods and highest in lower-income neighbourhoods. Prevalence ratios for the lowest-income neighbourhoods compared to the highest-income neighbourhoods ranged from 2.36 (95% confidence interval [CI] 2.15-2.58) for emergency department visits for opioid poisoning to 3.70 (95% CI 2.62-5.23) for neonatal abstinence syndrome. Potential rate reductions for opioid-related harms ranged from 34.8% (95% CI 29.1-40.1) to 49.9% (95% CI 36.7-60.5), which suggests that at least one-third of all harmful events could be prevented if all neighbourhoods had the same socioeconomic profile as the highest-income neighbourhoods. INTERPRETATION: Rates of opioid-related harms increased in Ontario between 2003 and 2016, and people in lower-income neighbourhoods experienced substantially higher rates of opioid-related harms than those in higher-income neighbourhoods. This finding can inform planning for opioid-related public health interventions with consideration of health equity.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».