Prescription Opioids, Opioid Use Disorder, and Overdose Crisis in Canada: Current Dilemmas and Remaining Questions
Notice bibliographique
Résumé
ABSTRACT In Canada, a rise in opioid use disorder (OUD) and overdose has been linked to opioid prescriptions in a number of contexts. At the same time, relatively few patients prescribed opioids reportedly develop OUD. This combination of findings suggests a pressing need for research on specific avenues through which medically prescribed opioids influence OUD and overdose in Canada. In this commentary, we therefore discuss a few of the potential processes that might allow for medically prescribed opioids to indirectly influence rising overdose rates, and the processes that might account for inconsistencies between large correlational research and studies of OUD incidence in opioid-prescribed patients. Au Canada, une augmentation du trouble de l’usage des opioïdes (OUD) et la surdose ont été associées aux prescriptions d’opioïdes dans un certain nombre de contextes. Dans le même temps, relativement peu de patients qui se sont fait prescrire des opioïdes ont développés une OUD. Cette combinaison de résultats suggère un besoin pressant de recherche sur des avenues spécifiques par lesquelles les opioïdes prescrits par un médecin (MPO) influencent le DIU et l’overdose au Canada. Dans ces observations, nous discutons quelques-uns des processus potentiels qui pourraient permettre aux MPO d’influencer indirectement les taux de surdose croissants, et les processus qui pourraient expliquer les incohérences entre les grandes recherches corrélationnelles et les études d’incidence OUD chez les patients opioïdes.
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 | 0,000 | 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 | 0,000 |
| 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 ».