Polysubstance use poisoning deaths in Canada: an analysis of trends from 2014 to 2017 using mortality data
Notice bibliographique
Résumé
BACKGROUND: Over the past decade, rates of drug poisoning deaths have increased dramatically in Canada. Current evidence suggests that the non-medical use of synthetic opioids, stimulants and patterns of polysubstance use are major factors contributing to this increase. METHODS: Counts of substance poisoning deaths involving alcohol, opioids, other central nervous system (CNS) depressants, cocaine, and CNS stimulants excluding cocaine, were acquired from the Canadian Vital Statistics Death Database (CVSD) for the years 2014 to 2017. We used joinpoint regression analysis and the Cochrane-Armitage trend test for proportions to examine changes over time in crude mortality rates and proportions of poisoning deaths involving more than one substance. RESULTS: Between 2014 and 2017, the rate of substance poisoning deaths in Canada almost doubled from 6.4 to 11.5 deaths per 100,000 population (Average Annual Percent Change, AAPC: 23%, p < 0.05). Our analysis shows this was due to increased unintentional poisoning deaths (AAPC: 26.6%, p < 0.05) and polysubstance deaths (AAPC: 23.0%, p < 0.05). The proportion of unintentional poisoning deaths involving polysubstance use increased significantly from 38% to 58% among males (p < 0.0001) and 40% to 55% among females (p < 0.0001). Polysubstance use poisonings involving opioids and CNS stimulants (excluding cocaine) increased substantially during the study period (males AAPC: 133.1%, p < 0.01; females AAPC: 118.1%, p < 0.05). CONCLUSIONS: Increases in substance-related poisoning deaths between 2014 and 2017 were associated with polysubstance use. Increased co-use of stimulants with opioids is a key factor contributing to the epidemic of opioid deaths in Canada.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».