Prescription opioid misuse motive latent classes: outcomes from a nationally representative US sample
Notice bibliographique
Résumé
AIMS: Prescription opioid misuse (POM) contributes to a larger opioid crisis in the US and Canada, with over 17 000 US POM-related overdose deaths in 2017. Our aims were to (1) identify specific profiles of respondents based on POM motives using the US National Survey on Drug Use and Health (NSDUH) and (2) compare profile respondents on sociodemographics, substance use and mental and physical health outcomes. METHODS: Analyses included 2017-18 NSDUH respondents with data on POM motives (n = 4810). POM was defined as prescription opioid use in a way not intended by the prescriber, including use without a prescription, in larger amounts or more frequently. Nine POM motives for the most recent episode were assessed, including 'to relieve physical pain' and 'to get high'. Latent classes, based on POM motives, were estimated. Classes were compared on sociodemographics, substance use and physical and mental health outcomes. RESULTS: Eight latent classes were identified (in order of prevalence): pain relief only, relax-pain relief, sleep-pain relief, multi-motive, high, experimenter, emotional coping and dependent/hooked. Compared to the pain relief only group, the high and multi-motive classes had higher odds of all substance use outcomes, with the dependent/hooked class having higher odds on all but one outcome. Six of the eight classes had higher odds of past-year mental health treatment and suicidal ideation than the pain relief only class. CONCLUSIONS: Screening for pain, pain conditions, problematic substance use and psychopathology are recommended in those with any POM. While those in the dependent/hooked, multi-motive and emotional coping classes are most likely to have prescription opioid use disorder (OUD), screening for OUD symptoms in all individuals with POM is also warranted.
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 | 0,003 |
| 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 ».