Prevalence and correlates of intentional substance use to reduce illicit opioid use in a Canadian setting
Notice bibliographique
Résumé
Background: While preliminary evidence has begun to document intentional use of one substance to reduce the use of another, the phenomenon of drug substitution among people who use illicit opioids remains understudied. Therefore, we sought to estimate the prevalence and correlates of intentional substance use to reduce illicit opioid use among persons who use drugs (PWUD). Methods: We analysed data from three prospective cohorts of PWUD in Vancouver, Canada, using multivariable generalized estimating equations (GEE). Results: Between June 2012 and June 2016, 1527 participants were recruited and contributed 4991 interviews. Of those, 336 (22%) illicit opioid-using participants self-reported substitution to reduce illicit opioid use at least once during study period contributing 467 (9.4%) interviews. Among those interviews, substances substituted for opioids were alcohol (15 participants, 3.2%), stimulants (235, 50.3%), cannabis (129, 27.6%), benzodiazepines (21, 4.5%), and others (20, 4.3%). In multivariable GEE model adjusted for socio-demographic factors, reporting substitution to reduce illicit opioid use was positively associated with greater likelihood of daily cannabis use (Adjusted Odds Ratio = 1.56, 95% Confidence Interval: 1.24-1.96]. Conclusions: While daily cannabis use was associated with reporting opioid substitution attempts, additional study is needed to examine potential of cannabis/cannabinoids to reduce illicit opioid use.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».