Take-home naloxone in opioid dependency
Notice bibliographique
Résumé
BACKGROUND: There were 2227 drug-related deaths in Germany in 2023, corresponding to a rise of 12% over the previous year and a doubling over the course of a decade. Approximately 60% of these deaths were related to opioid consumption. In this narrative review, we discuss whether take-home naloxone (THN) might lower the mortality of persons with opioid dependency. METHODS: This review is based on pertinent publications that were retrieved by a selective search in PubMed. RESULTS: Seven observational studies of the mortality of persons with opioid dependency were included in the analysis. The available evidence for the intervention is on a low level. The studies indicate an overall lowering of mortality even though a significant reduction in drug-related deaths was not always achieved. It was concluded in a meta-analysis of 9 observational studies that 9.2% (95% confidence interval, [5.2; 13.1]) of the THN kits provided were actually used in the first three months to prevent opioid overdose-related death. In a Canadian study, 43% [41; 45] of the naloxone kits that were handed out over a period of 8 years were used and successfully prevented opioid overdose-related death. The latter figures suggest that the use of THN may have been systematically underestimated to date. CONCLUSION: Demonstrating the efficacy of THN is difficult because of the nature of the research topic. Current evidence implies that THN lowers the mortality of persons with opioid dependence. It is estimated that only about 1.3% of opioid dependent people have been provided with THN in Germany thus far. A major expansion of the provision and use of THN could contribute to a further reduction in opioid-related deaths.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,008 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».