Trends in Hospitalizations for Serious Infections Among People With Opioid Use Disorder in Ontario, Canada
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVES: Opioid use among people who inject drugs can lead to serious complications, including infections. We sought to study trends in rates of these complications among people with an opioid use disorder (OUD) and the sequelae of those hospitalizations. METHODS: We analyzed all inpatient hospitalizations for serious infections (infective endocarditis [IE], spinal infections, nonvertebral bone infections, and skin or soft tissue infections) among people with OUD in Ontario between 2013 and 2019. We reported the population adjusted rate of hospitalizations for serious infections annually, stratified by type of infection and prevalence of prior opioid agonist therapy and hydromorphone prescribing. We reported characteristics of hospitalizations and 30-day mortality in the most recent 2 years. RESULTS: Among people with OUD there was a 167% increase in rates of IE (7.7-20.6 per million residents; P < 0.01), a 394% increase in rates of spinal infections (3.4-16.8 per million residents; P < 0.01), a 191% increase in rates of nonvertebral bone infections (8.9 to 25.9 per million residents; P < 0.01), and a 147% increase in infections of the skin or soft tissue (32.1-79.4 per million residents; P < 0.01) over 7 years in Ontario. Death in-hospital and within 30 days of discharge was highest among those with IE (11.5% and 15.9%, respectively), and lower among those with other infections (<5%). CONCLUSIONS: Rates of serious infections among people with OUD are rising, placing a significant burden on patients. These findings suggest that early intervention and treatment of infections in this population are needed to prevent downstream harm.
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.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle