Global patterns of opioid use and dependence: harms to populations, interventions, and future action
Notice bibliographique
Résumé
We summarise the evidence for medicinal uses of opioids, harms related to the extramedical use of, and dependence on, these drugs, and a wide range of interventions used to address these harms. The Global Burden of Diseases, Injuries, and Risk Factors Study estimated that in 2017, 40·5 million people were dependent on opioids (95% uncertainty interval 34·3-47·9 million) and 109 500 people (105 800-113 600) died from opioid overdose. Opioid agonist treatment (OAT) can be highly effective in reducing illicit opioid use and improving multiple health and social outcomes-eg, by reducing overall mortality and key causes of death, including overdose, suicide, HIV, hepatitis C virus, and other injuries. Mathematical modelling suggests that scaling up the use of OAT and retaining people in treatment, including in prison, could avert a median of 7·7% of deaths in Kentucky, 10·7% in Kiev, and 25·9% in Tehran over 20 years (compared with no OAT), with the greater effects in Tehran and Kiev being due to reductions in HIV mortality, given the higher prevalence of HIV among people who inject drugs in those settings. Other interventions have varied evidence for effectiveness and patient acceptability, and typically affect a narrower set of outcomes than OAT does. Other effective interventions focus on preventing harm related to opioids. Despite strong evidence for the effectiveness of a range of interventions to improve the health and wellbeing of people who are dependent on opioids, coverage is low, even in high-income countries. Treatment quality might be less than desirable, and considerable harm might be caused to individuals, society, and the economy by the criminalisation of extramedical opioid use and dependence. Alternative policy frameworks are recommended that adopt an approach based on human rights and public health, do not make drug use a criminal behaviour, and seek to reduce drug-related harm at the population level.
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 | 0,016 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,006 | 0,008 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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 ».