Sex differences in factors predicting post‐treatment opioid use
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Several reports have documented risk factors for opioid use following treatment discharge, yet few have assessed sex differences, and no study has assessed risk using contemporary machine learning approaches. The goal of the present paper was to inform treatments for opioid use disorder (OUD) by exploring individual factors for each sex that are most strongly associated with opioid use following treatment. DESIGN: Secondary analysis of Global Appraisal of Individual Needs (GAIN) database with follow-ups at 3, 6 and 12 months post-OUD treatment discharge, exploring demographic, psychological and behavioral variables that predict post-treatment opioid use. SETTING: One hundred and thity-seven treatment sites across the United States. PARTICIPANTS: Adolescents (26.9%), young adults (40.8%) and adults (32.3%) in treatment for OUD. The sample (n = 1,126) was 54.9% male, 66.1% white, 20% Hispanic, 9.8% multi-race/ethnicity, 2.8% African American and 1.3% other. MEASUREMENT: Primary outcome was latency to opioid use over 1 year following treatment admission. RESULTS: For women, regularized Cox regression indicated that greater withdrawal symptoms [hazard ratio (HR) = 1.31], younger age (HR = 0.88), prior substance use disorder (SUD) treatment (HR = 1.11) and treatment resistance (HR = 1.11) presented the largest hazard for post-treatment opioid use, while a random survival forest identified and ranked substance use problems [variable importance (VI) = 0.007], criminal justice involvement (VI = 0.006), younger age (VI = 0.005) and greater withdrawal symptoms (VI = 0.004) as the greatest risk factors. For men, Cox regression indicated greater conduct disorder symptoms (HR = 1.34), younger age (HR = 0.76) and multiple SUDs (HR = 1.27) were most strongly associated with post-treatment opioid use, while a random survival forests ranked younger age (VI = 0.023), greater conduct disorder symptoms (VI = 0.010), having multiple substance use disorders (VI = 0.010) and criminal justice involvement (VI = 0.006) as the greatest risk factors. CONCLUSION: Risk factors for relapse to opioid use following opioid use disorder treatment appear to be, for women, greater substance use problems and withdrawal symptoms and, for men, younger age and histories of conduct disorder and multiple substance use disorder.
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 | 0,000 |
| 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) | 0,003 | 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 ».