Opioid use in the era of COVID-19: a multifaceted study of the opioid epidemic in Canada
Notice bibliographique
Résumé
Introduction: The COVID-19 pandemic has had wide economic, social, and health impacts, and has disproportionately affected individuals who were already vulnerable. Individuals who use opioids have dealt with evolving public health measures and disruptions while also dealing with the ongoing opioid epidemic. Opioid-related mortalities in Canada increased throughout the COVID-19 pandemic, but it is unclear to what extent public health measures and the progression of the pandemic contributed to opioid-related harms. Methods: To address this gap, we used emergency room (ER) visits recorded in the National Ambulatory Care Reporting System (NACRS) between 1 April 2017, and 31 December 2021, to investigate trends of opioid-related harms throughout the pandemic. This study also included semi-structured interviews with service providers in the field of opioid use treatment, to help contextualize the trends seen in ER visits and offer perspectives on how opioid use and services have changed throughout the COVID-19 pandemic. Results: Overall, the number of hospitalizations related to an opioid use disorder (OUD) decreased with progressing waves of the pandemic and with increasing severity of public health measures in Ontario. The rate of hospitalizations related to opioid poisonings (e.g., central nervous system and respiratory system depression caused by opioids) significantly increased with the progressing waves of the pandemic, as well as with increasing severity of public health measures in Ontario. Discussion: The increase in opioid-related poisonings is reflected in the existing literature whereas the decrease in OUDs is not. Moreover, the increase in opioid-related poisonings aligns with the observations of service providers, whereas the decrease in OUD contradicts the trends that service providers described. This discrepancy could be explained by factors identified by service providers, including the pressures on ERs during the pandemic, hesitancy to seek treatment, and drug toxicity.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,008 |
| Études des sciences et des technologies | 0,006 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».