Factors Associated With Increased Opioid Use During the COVID-19 Pandemic: A Prospective Study of Patients Enrolled in Opioid Agonist Treatment
Notice bibliographique
Résumé
OBJECTIVES: The opioid use disorder (OUD) crisis in North America has become "an epidemic within a pandemic" in the context of the COVID-19 virus. We aimed to explore the association between the COVID-19 pandemic and changes in opioid use patterns among patients receiving treatment for OUD. METHODS: We used prospectively collected data from 456 patients attending 31 opioid agonist clinics across Ontario, Canada. All included participants underwent routine urine drug screens (UDSs) both before and after the onset of the COVID-19 pandemic. A paired sample t -test was used to compare the proportion of opioid-positive UDSs collected pre- and post-pandemic, and linear regression analysis was used to explore factors associated with this change. RESULTS: Participants had a mean age of 39.9 years (standard deviation = 10.9), 52%were male, and 81%were receivingmethadone treatment. The percentage of opioid-positive UDSs increased significantly during the pandemic, on average by 10.6% (95% confidence interval [CI] 8.17, 12.95, P < 0.001). Continued opioid use before the pandemic was associated with 9.43% increase, on average, in the percentage of opioid-positive UDSs during the pandemic (95% CI 3.79, 15.07). Self-reported past-month cocaine (adjusted betacoefficient 6.83, 95% CI 0.92, 12.73) and amphetamine (adjusted beta-coefficient 13.13, 95% CI 5.15, 21.1) use at study entry were also associated with increases in opioid-positive UDSs. CONCLUSIONS: Increased opioid use is one measure of the negative impact the COVID-19 pandemic has had on individuals with OUD, an already marginalized population. Understanding factors associated with worse outcomes is essential to ensuring that treatment programs appropriately adapt to better serve this population during the pandemic.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».