Causes of hospital admission and mortality among 6683 people who use heroin: A cohort study comparing relative and absolute risks
Notice bibliographique
Résumé
BACKGROUND: Mortality in high-risk groups such as people who use illicit drugs is often expressed in relative terms such as standardised ratios. These measures are highest for diseases that are rare in the general population, such as hepatitis C, and may understate the importance of common long-term conditions. POPULATION: 6683 people in community-based treatment for heroin dependence between 2006 and 2017 in London, England, linked to national hospital and mortality databases with 55,683 years of follow-up. METHOD: Age- and sex-specific mortality and hospital admission rates in the general population of London were used to calculate the number of expected events. We compared standardised ratios (relative risk) to excess deaths and admissions (absolute risk) across ICD-10 chapters and subcategories. RESULTS: Drug-related diseases had the highest relative risks, with a standardised mortality ratio (SMR) of 48 (95% CI 42-54) and standardised admission ratio (SAR) of 293 (95% CI 282-304). By contrast, other diseases had an SMR of 4.4 (95% CI 4.0-4.9) and an SAR of 3.15 (95% CI 3.11-3.19). However, the majority of the 621 excess deaths (95% CI 569-676) were not drug-related (361; 58%). The largest groups were liver disease (75 excess deaths) and COPD (45). Similarly, 80% (11,790) of the 14,668 excess admissions (95% CI 14,382-14,957) were not drug-related. The largest groups were skin infections (1073 excess admissions), alcohol (1060), COPD (812) and head injury (612). CONCLUSIONS: Although relative risks of drug-related diseases are very high, most excess morbidity and mortality in this cohort was caused by common long-term conditions.
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) | 0,001 | 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 ».