Validation of Self-reported Opioid Agonist Treatment Among People Who Inject Drugs Using Prescription Dispensation Records
Notice bibliographique
Résumé
BACKGROUND: Studies of people who inject drugs (PWID) commonly use questionnaires to determine whether participants are currently, or have recently been, on opioid agonist treatment for opioid use disorder. However, these previously unvalidated self-reported treatment measures may be susceptible to inaccurate reporting. METHODS: We linked baseline questionnaire data from 521 PWID in the Ontario integrated Supervised Injection Services cohort in Toronto (November 2018-March 2020) with record-level health administrative data. We assessed the validity (sensitivity, specificity, positive and negative predictive value [PPV and NPV]) of self-reported recent (in the past 6 months) and current (as of interview) opioid agonist treatment with methadone or buprenorphine-naloxone relative to prescription dispensation records from a provincial narcotics monitoring system, considered the reference standard. RESULTS: For self-reported recent opioid agonist treatment, sensitivity was 78% (95% CI = 72, 83), specificity was 90% (95% CI = 86, 94), PPV was 90% (95% CI = 85, 93), and NPV was 79% (95% CI = 74, 84). For self-reported current opioid agonist treatment, sensitivity was 84% (95% CI = 78, 90), specificity was 87% (95% CI = 83, 91), PPV was 74% (95% CI = 67, 81), and NPV was 93% (95% CI = 89, 95). CONCLUSIONS: Self-reported opioid agonist treatment measures were fairly accurate among PWID, with some exceptions. Inaccurate recall due to a lengthy lookback window may explain underreporting of recent treatment, whereas social desirability bias may have led to overreporting of current treatment. These validation data could be used in future studies of PWID to adjust for misclassification in similar self-reported treatment measures.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».