Key characteristics and habits of the recreational opioid user
Notice bibliographique
Résumé
OBJECTIVE: To identify key characteristics and habits of recreational opioid users. DESIGN: The data were compiled from volunteers who participated in clinical studies at a contract research organization in Toronto, Ontario, Canada. INTERVENTIONS: Data were collected from 5,018 male and female recreational opioid users via telephone and face-to-face screening interviews. Five recreational opioid users participated in a live interview broadcast on the internet. MAIN OUTCOME MEASURES: Demographic data, recreational drug use history, routes of recreational drug administration, alcohol use, and smoking status. A subset of the demographic information and recreational drug use history was summarized separately using data collected between 2013 and 2016 from 114 recreational opioid users who were not dependent on opioids. Interview excerpts were included from five recreational opioid users who described their real-world experiences with drug abuse, including the impact of abuse-deterrent opioid formulations on their drug abuse behavior. RESULTS: The preferred route of administration of opioids was oral (52 percent), followed by intranasal (36 percent), intravenous (10 percent), and buccal (chewing on a patch; 2 percent). Other substances used included nicotine, alcohol, and non-opioid psychoactive drugs (primarily cannabis). Oxycodone was the most frequently reported opioid of abuse. CONCLUSIONS: Recreational opioid users have distinct drug-related behaviors and preferences. Monitoring current trends and examining these behaviors is an important component to understand the potential safety risks associated with recreational opioid use.
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 ».