Health harms of non‐medical prescription opioid use: A systematic review
Notice bibliographique
Résumé
ISSUES: Non-medical prescription opioid use (NMPOU) contributes substantially to the global burden of morbidity. However, no systematic assessment of the scientific literature on the associations between NMPOU and health outcomes has yet been undertaken. APPROACH: We undertook a systematic review evaluating health outcomes related to NMPOU based on ICD-10 clinical domains. We searched 13 electronic databases for original research articles until 1 July 2021. We employed an adaptation of the Oxford Centre for Evidence-Based Medicine 'Levels of Evidence' scale to assess study quality. KEY FINDINGS: Overall, 182 studies were included. The evidence base was largest on the association between NMPOU and mental and behavioural disorders; 71% (129) studies reported on these outcomes. Less evidence exists on the association of NMPOU with infectious disease outcomes (26; 14%), and on external causes of morbidity and mortality, with 13 (7%) studies assessing its association with intentional self-harm and 1 study assessing its association with assault (<1%). IMPLICATIONS: A large body of evidence has identified associations between NMPOU and opioid use disorder as well as on fatal and non-fatal overdose. We found equivocal evidence on the association between NMPOU and the acquisition of HIV, hepatitis C and other infectious diseases. We identified weak evidence regarding the potential association between NMPOU and intentional self-harm, suicidal ideation and assault. DISCUSSION AND CONCLUSIONS: Findings may inform the prevention of harms associated with NMPOU, although higher-quality research is needed to characterise the association between NMPOU and the full spectrum of physical and mental health disorders.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,011 | 0,001 |
| 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 | 0,001 |
| 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 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 ».