MétaCan
Menu
← Retour à la cohorte
Enregistrement W4408767122 · doi:10.1101/2025.03.21.25324409

How it begins: Initial response to opioids strongly predicts self-reported opioid use disorder

2025· preprint· en· W4408767122 sur OpenAlexaff
John P. Gonzalez, Vinh Tran, J. Wayne Meredith, Ivonne Xu, Ritviksiddha Penchala, Laura Vilar Ribó, Natasia S. Courchesne‐Krak, Daniel Zoleikhaeian, Pierre Fontanillas, K. Bond, Eric O. Johnson, Alvin D. Jeffery, James MacKillop, Carla Marienfeld, Harriet de Wit, Abraham A. Palmer, Sandra Sanchez‐Roige

Notice bibliographique

RevuemedRxiv · 2025
Typepreprint
Langueen
DomaineMedicine
ThématiqueOpioid Use Disorder Treatment
Établissements canadiensMcMaster UniversitySt. Joseph’s Healthcare Hamilton
Organismes subventionnairesNational Institutes of Health
Mots-clésOpioid use disorderOdds ratioMedicineMedical prescriptionPsychological interventionOddsPsychiatryOpioidClinical psychologyInternal medicineLogistic regressionPharmacology

Résumé

récupéré en direct d'OpenAlex

Background Opioid use disorder (OUD) is a major public health crisis. Patients' initial exposure to opioids often comes from prescribed medications. Predicting which of these patients will develop OUD remains challenging. Prior evidence from various substances suggest that initial subjective responses influence addiction risk, however these studies have used relatively small cohorts and have not led to the development of widespread tools to predict OUD risk. Methods We used a cohort of 141,897 adult research participants to perform a retrospective observational study of self-reported subjective responses to prescription opioids. We collected demographics, subjective positive (e.g., euphoria), subjective negative (e.g., nausea), and analgesic responses as well as self-reported OUD. Results Positive subjective effects, particularly "Like Overall", "Euphoric", and "Energized", were the strongest predictors of OUD. For example, the odds-ratio for individuals responding "Extremely" for "Like Overall" was 36.5. The sensitivity and specificity of this single question was excellent (ROC=0.87). Negative effects and analgesic effects were much less predictive. We developed a two-question decision tree ("When you first took opioid pain medication, to what extent did you like the way they made you feel overall?" and "When you first took opioid pain medication, to what extent did you experience an unpleasant itchy feeling?"), that can identify a small high-risk subset with 78.5% prevalence of OUD and a much larger low-risk subset with 1.2% prevalence of OUD. Conclusions Screening for subjective responses can identify high-risk individuals who would benefit from tailored interventions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,030
Tête enseignante GPT0,312
Écart entre enseignants0,282 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuemedRxiv→Même sujetOpioid Use Disorder Treatment→Travaux en français237 207→