Non‐medical prescription opioid use and in‐hospital illicit drug use among people who use drugs
Notice bibliographique
Résumé
INTRODUCTION: Illicit drug use while admitted to hospital is common amongst people who use drugs. Furthermore, non-medical prescription opioid use (NMPOU) is increasingly being used by this population. This study was undertaken to investigate the relationship between NMPOU and having ever reported using illicit drugs in the hospital. METHODS: This study was a cross-sectional study design based on data derived from participants enrolled in three Canadian prospective cohort studies between December 2011 and November 2016. Using bivariable and multivariable logistic regression analyses, we examined the relationship between NMPOU and having ever reported illicit drug use in the hospital. RESULTS: Among the 1865 participants (951 male, 471 female) enrolled in the studies, 1422 (76.25%) met the inclusion criteria of having ever been hospitalised. Of these, 436 (30.7%) had used illicit drugs while in the hospital. In multivariable analyses, after adjusting for various confounders, we found a positive relationship between the percentage of reporting at least daily NMPOU in the past 6 months during the cohort study period and illicit drug use in the hospital (adjusted odds ratio 3.42; 95% confidence interval 1.46-8.02). DISCUSSION AND CONCLUSIONS: Among our sample, more persistent NMPOU was positively associated with having reported in-hospital illicit drug use. Our findings point to the need for better identification and management of opioid use disorder in acute care settings to reduce in-hospital illicit drug use, and to offer evidence-based medical treatments to achieve the most optimal outcomes for patients.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».