Opioid abuse and austerity: Evidence on health service use and mortality in England
Notice bibliographique
Résumé
Opioid abuse has become a public health concern among many developed countries, with policymakers searching for strategies to mitigate adverse effects on population health and the wider economy. The United Kingdom has seen dramatic increases in opioid-related mortality following the financial crises in 2008. We examine the impact of spending cuts resulting from government prescribed austerity measures on opioid-related hospitalisations and mortality, thereby expanding on existing evidence suggesting a countercyclical relationship with macroeconomic performance. We take advantage of the variation in spending cuts passed down from central government to local authorities since 2010, with reductions in budgets of up to fifty percent in some areas resulting in the rescaling of vital public services. Longitudinal panel data methods are used to analyse a comprehensive, linked dataset that combines information from spending records, official death registry data and large administrative health care data for 152 local authorities (i.e., unitary authorities and county councils) in England between April 2010 and March 2017. A total of 280,827 people experienced a hospital admission in the English National Health Service because of an opioid overdose and 14,700 people died from opioids across the study period. Local authorities that experienced largest spending cuts also saw largest increases in opioid abuse. Interactions between changes in unemployment and spending items for welfare programmes show evidence about the importance for governments to protect populations from social-risk effects at times of deteriorating macroeconomic performance. Our study carries important lessons for countries aiming to address high rates of opioid abuse, including the United States, Canada and Sweden.
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 | 0,002 | 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 | 0,001 | 0,001 |
| 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 ».