Reduction in mortality risk with opioid agonist therapy: a systematic review and meta‐analysis
Notice bibliographique
Résumé
INTRODUCTION: Opioid agonist therapies are effective medications that can greatly improve the quality of life of individuals with opioid use disorder. However, there is significant uncertainty about the risks of cause-specific mortality in and out of treatment. OBJECTIVE: This systematic review and meta-analysis explored the association between methadone and buprenorphine with cause-specific mortality among opioid-dependent persons. METHODS: We searched six online databases to identify relevant cohort studies, calculating all-cause and overdose-specific mortality rates during periods in and out of treatment. We pooled mortality estimates using multivariate random effects meta-analysis of the crude mortality rate per 1000 person-years of follow-up as well as relative risks comparing mortality in vs. out of treatment. RESULTS: A total of 32 cohort studies (representing 150 235 participants, 805 423.6 person-years, and 9112 deaths) met eligibility criteria. Crude mortality rates were substantially higher among methadone cohorts than buprenorphine cohorts. Relative risk reduction was substantially higher with methadone relative to buprenorphine when time in-treatment was compared to time out-of-treatment. Furthermore, the greatest mortality reduction was conferred during the first 4 weeks of treatment. Mortality estimates were substantially heterogeneous and varied significantly by country, region, and by the nature of the treatment provider. CONCLUSION: Precautions are necessary for the safer implementation of opioid agonist therapy, including baseline assessments of opioid tolerance, ongoing monitoring during the induction period, education of patients about the risk of overdose, and coordination within healthcare services.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,012 | 0,002 |
| Bibliométrie | 0,001 | 0,003 |
| 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 ».