O-144 Incidence of opioid-related harms by occupation in Ontario, Canada: findings from the occupational disease surveillance system
Notice bibliographique
Résumé
Introduction The opioid crisis continues unabated in Canada, yet current health surveillance systems that monitor opioid-related harms have limited or no employment information. The limited opioid overdose fatality data available suggest certain occupational groups have been disproportionately affected among those with known employment, namely those in construction and trades occupations, but little is known beyond these data. The Occupational Disease Surveillance System (ODSS), designed to detect work-related disease in a large cohort of workers in Ontario (Canada), was recently expanded to identify opioid-related hospitalizations and emergency department visits. We sought to estimate associations between occupation and risk of opioid-related harms in the Ontario, Canada workforce. Materials and Methods The ODSS was established through linkage of Workplace Safety and Insurance Board accepted workers’ compensation lost-time claims data to hospitalization and emergency department data. Workers aged 18–65 were followed from 2006 to 2020 to identify incident opioid-related poisonings (p) and mental and behavioural disorders (mb). Cox proportional hazards models were used to estimate hazard ratios (HRs) and 95% confidence intervals (CIs) for each of the opioid-related harms by occupation, adjusted for sex, age, and birth year. Results We identified 10,066 poisoning cases and 11,762 mental and behavioural disorder cases during follow-up among 1.7 million workers. Preliminary findings demonstrate consistent elevated risks for occupations in construction and trades (p: HR=1.57, 95% CI=1.48–1.67, mb: HR=1.59, 95% CI=1.51–1.68), forestry and logging (p: HR=1.45, 95% CI=1.09–1.94, mb: HR=1.70, 95% CI=1.34–2.16), materials handling and related (p: HR=1.32, 95% CI=1.22–1.43, mb: HR=1.22, 95% CI=1.13–1.31), processing (mineral, metal, chemical) (p: HR=1.27, 95% CI=1.14–1.42, mb: HR=1.26, 95% CI=1.14–1.39), among other occupations. Conclusions Results suggest opioid-related harms cluster among certain occupational groups in the Ontario workforce, some of which are consistent with fatality data. Identification of high-risk subgroups by occupation will help inform targeted prevention and harm reduction activities.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».