The effect of depressive symptoms on pain in a substance-using population with persistent pain: a cross-sectional cohort study
Notice bibliographique
Résumé
BACKGROUND: In light of the ongoing opioid overdose crisis, there is an urgent need for research on the impacts of mental health among people presenting with concurrent pain and substance use. This study examined the effect of depressive symptoms on pain severity and functional interference among people who use drugs (PWUD) during a community-wide overdose crisis. METHODS: From December 1st 2016 to December 31st 2018, 288 participants in two cohort studies of PWUD in Vancouver, Canada completed interviewer-administered questionnaires that included the Brief Pain Inventory and PROMIS Emotional Distress-Depression instruments. Generalized linear regression modelling (GLM) was used to examine the cross-sectional effect of depressive symptoms and other confounding factors on pain severity and interference. RESULTS: Moderate to severe depressive symptoms were significantly associated with greater pain-related functional interference (adjusted β = 1.24, 95% confidence interval [CI] = 0.33-2.15), but not significantly associated with greater average pain severity (adjusted β = 0.22, 95% CI = - 0.3 - 0.82), when controlling for confounding variables. Reported daily heroin use (adjusted β = 1.26, 95% CI = 0.47-2.05) and non-fatal overdose (adjusted β = 1.02, 95% CI = 0.08-1.96) were also significantly associated with greater pain-related functional interference. CONCLUSIONS: In a substance-using population, greater pain-related functional interference was positively associated with depressive symptoms as well as overdose and daily heroin use. These findings emphasize the need to address the functional impact of pain, mental health comorbidity, and high-risk substance use that may contribute to overdose and other harms.
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 | 0,001 | 0,000 |
| 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) | 0,000 | 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 ».