Sociodemographic characteristics of patients with children in a methadone maintenance program: a cross-sectional study
Notice bibliographique
Résumé
BACKGROUND: Ever-increasing numbers of opioid use disorder (OUD) in Canada has created the recent opioid crisis. One common treatment for OUD is methadone maintenance treatment (MMT). Various factors, including being a parent which entails specific stressors, may increase susceptibility to negative treatment outcomes. This study aims to investigate differences between OUD patients with and without children in socio-demographic and clinical outcomes. METHODS: Data for this study are part of a larger program. All participants are 18+ years old with OUD, provided consent, and receiving MMT. We performed a multivariable logistic regression to examine the differences between participants' parental status, sociodemographic variables, and clinical parameters including MMT outcomes. We performed subgroup analyses on individuals with children younger than 18. RESULTS: A total of 1099 participants were included, with 64% having children. Participants with children were older (OR 1.06, 95% CI 1.04, 1.08), more likely to be female (OR 2.39, 95% CI 1.75, 3.27), living with a partner (OR 1.75, 95% CI 1.27, 2.41), first exposed to opioids through a prescription (OR 1.517, 95% CI 1.13, 2.04) and had lower levels of education (OR 1.86, 95% CI 1.20, 2.87). There was no significant difference in illicit opioid use patterns between groups. Same results held true in the subgroup analyses based on the age of the children except for participant age. CONCLUSION: Our results demonstrate social and demographic differences between parents and non-parents receiving MMT. These differences highlight the need to understand necessary additional support for parents such as child support and other necessary therapies.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».