Varying circumstances surrounding opioid toxicity deaths across ethno-racial groups in Ontario, Canada: a population-based descriptive cross-sectional study
Notice bibliographique
Résumé
Introduction: The North American toxic drug crisis has been framed as an epidemic primarily affecting white people. However, evidence suggests that deaths are rising among racialised people. Accordingly, we sought to describe and compare characteristics and circumstances of opioid toxicity deaths across ethno-racial groups. Methods: We conducted a population-based, descriptive cross-sectional study of all individuals who died of accidental opioid toxicity in Ontario, Canada between 1 July 2017 and 30 June 2021. Decedents were categorised as Asian, black, Latin American or white. We summarised decedents' sociodemographic characteristics, circumstances surrounding death and patterns of healthcare utilisation preceding death by ethno-racial group, and used standardised differences (SDs) to draw comparisons. Results: Overall, 6687 Ontarians died of opioid toxicity, of whom 275 were Asian (4.1%), 238 were black (3.6%), 53 were Latin American (0.8%), 5222 were white (78.1%) and 899 (13.4%) had an unknown ethno-racial identity. Black people (median age: 35 years; SD: 0.40) and Asian people (median age: 37 years; SD: 0.30) generally died younger than white people (median age: 40 years), and there was greater male predominance in deaths among Asian people (86.2%; SD: 0.30), Latin American people (83.0%; SD: 0.21) and black people (80.3%; SD: 0.14) relative to white people (74.6%). Cocaine contributed to more deaths among black people (55.9%; SD: 0.37) and Asian people (45.1%; SD: 0.15) compared with white people (37.6%). Racialised people had a lower prevalence of opioid agonist treatment in the 5 years preceding death (black people: 27.9%, SD: 0.73; Asian people: 51.1%, SD: 0.22; white people: 61.9%). Conclusions: There are marked differences in the risk factors, context and patterns of drug involvement in opioid toxicity deaths across ethno-racial groups, and substantial disparities exist in access to harm reduction and treatment services. Prevention and response strategies must be tailored and targeted to racialised people.
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 | 0,000 |
| 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 | 0,001 | 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) | 0,000 | 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 ».