Prescription-Related Risk Factors for Opioid-Related Overdoses in the Era of Fentanyl Contamination of Illicit Drug Supply: A Retrospective Case-Control Study
Notice bibliographique
Résumé
Background: We sought to quantify the association between clinical, physiological, and contextual factors and opioid-related overdose, specifically focusing on current and past use of select prescription medications. Methods: We conducted a case-control study of individuals who experienced a non-fatal opioid-related overdose between January 2015 and November 2016 in British Columbia, Canada. We matched 8,831 cases to 44,155 controls on birth year, sex, and local health area of residence and examined 5-year prescribing history for opioids for pain, medications for opioid use disorder (MOUD), benzodiazepines/z-drugs, and other psychoactive medications. Results: The overall prevalence of prescription opioid drug use was generally low in the study population. Cases had a relatively higher use of selected prescription medications, a higher physical and mental morbidity burden, and were less connected to health services compared with controls. For opioids for pain, current therapy was associated with experiencing an overdose (OR = 8.5, 95%CI: 7.3–10); history of long-term use had a stronger association than history of short-term use (OR = 2.9, 95%CI: 2.6–3.3 vs OR = 1.7, 95%CI: 1.5–1.8, respectively). While persons on MOUD were more likely to overdose compared to persons who were not on therapy (OR = 2.0, 95%CI 1.7–2.4), recent discontinuation of MOUD greatly increased the likelihood of overdose (OR = 25.6, 95%CI 17.5–37.4). Active therapy of benzodiazepines/z-drugs and other sedating medications also significantly increased the likelihood of overdose. Conclusions: While this study supports expansion of efforts to prevent overdoses among individuals actively using opioids for pain and improve retention among those on MOUD, it is also important to address other clinical, physiological, and contextual risk and protective factors to help curb the current overdose crisis.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».