Prevalence and high-risk behaviors associated with non-fatal overdose among people who use illicit opioids: A systematic review and meta-analysis
Notice bibliographique
Résumé
Background The aim of the present study was to determine the prevalence of non-fatal overdose among people who use illicit opioids (PWUIOs) and determine the demographic and behavioral characteristics associated with non-fatal overdose among this population.Methods Studies in English published before February 1, 2021, were searched for on PubMed, Scopus, Cochrane, and Web of Science to identify primary studies on the factors associated with non-fatal overdose among PWUIOs. After reviewing for study duplicates, the full-texts of selected papers were assessed for eligibility using PICOs criteria.Results After a detailed assessment of over 13,845 papers, a total of 67 studies met the eligibility criteria. The findings showed a past-year pooled prevalence rate of non-fatal overdose among PWUIOs of 26% (95% CI, 23% −29%). Greater odds of non-fatal overdose among PWUIOs was associated with (i) being younger, (ii) being female, (iii) being homeless, (iv) individuals who received money, goods, or drugs in exchange for sex, (v) individuals who had witnessed somebody else have an overdose, (vi) individuals who had used public spaces as primary injection locations, (vii) individuals who reported polydrug use, (vii) use of non-injection methamphetamine, and (viii) high injecting frequency (more than two daily drug injections).Conclusion Harm-reduction programs should consider the provision of education concerning overdose-related risk factors to the vulnerable and hard-to-reach PWUIOs.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,016 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».