Mortality Among People With Opioid Use Disorder: A Systematic Review and Meta-analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Opioids are among the most commonly used class of illicit drugs. We aimed to produce pooled estimates of mortality risks among people with opioid use disorder (OUD), with a focus upon all-cause mortality, and also overdose-specific causes of death. DESIGN: Systematic review and meta-analysis of cohorts of people with OUD involving illicit opioids with data on all-cause or overdose-specific mortality. SETTING AND PARTICIPANTS: Of 4247 papers, 92 were eligible, reporting on 101 cohorts that measured all-cause mortality and opioid-overdose mortality. Cohorts (n = 101-229,274) were in North America, Australia, several Eastern and Western European countries, and Asia. MEASUREMENT: Titles/abstracts and full texts were independently screened by 2 reviewers, with discrepancies resolved via a third reviewer. We extracted data on crude mortality rates (CMRs) per 1000 person-years (PY); we imputed CMRs where possible if not reported by study authors. We also calculated mortality relative risks. Data were pooled using random-effects models; potential reasons for heterogeneity were explored using subgroup analyses and meta-regressions. FINDINGS: The overall all-cause CMR was 18.7 per 1000 PY (95% confidence interval [CI] 17.1-20.3). The overall overdose-specific CMR was 7.0 per 1000 PY (95% CI 6.1-8.0). All-cause and overdose-specific mortality were substantially higher in low/middle-income countries, among those with HIV, and among people who use injection drugs. CONCLUSIONS: Individuals with OUD carry a high risk of all-cause and overdose-specific mortality. Potentially modifiable risk factors, such as HIV and injection drug use, were predictive of mortality risk and are amenable to global efforts aiming to improve access to OUD treatment and targeted harm reduction efforts.
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.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,021 | 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) | 0,001 | 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 découle