The effect of craving on retention and treatment switching under buprenorphine-naloxone and methadone models of care for non-heroin opioid use disorder: Exploratory analyses from a pragmatic, randomized controlled trial
Notice bibliographique
Résumé
INTRODUCTION: Though opioid agonist therapies are the mainstay of treatment for opioid use disorder, treatment retention remains suboptimal. Improved prediction of who will remain in treatment could lead to improved treatment outcomes. Whether craving predicts reduced retention in treatment remains debated. We performed analyses to determine whether craving predicted treatment attrition or treatment switching in people with non-heroin opioid use disorder initiating opioid agonist therapy. METHODS: Our data came from the OPTIMA trial - a pan-Canadian, pragmatic, open-label, randomized controlled trial that compared a flexible, early take-home buprenorphine/naloxone model of care (n = 137) to standard treatment with methadone (n = 132) for non-heroin opioid use disorder over a period of 24 weeks. We performed Cox proportional hazards regression to conduct survival analyses of time (days) to treatment attrition, and time to switch to another treatment, with craving as a time-varying covariate, controlling for assigned treatment group, lifetime history of heroin use and province. Craving was measured at baseline, week 2, 6, 10, 14, 18, 22 using the Brief Substance Craving Scale. RESULTS: We found that craving predicted both treatment drop out and treatment switching. A 1-point increase in craving was associated with a 15.3 % increase of risk of dropping out of the study (HR = 1.153, 95 % CI = 1.065 to 1.248, p < 0.001) and with a 11.5 % increase of risk of switching treatment (HR = 1.115, 95 % CI = 1.016 to 1.225, p = 0.022). CONCLUSIONS: Craving predicted both treatment attrition and treatment switching in people receiving buprenorphine/naloxone or methadone models of care for non-heroin opioid use disorder. These findings highlight the importance of targeting and better addressing craving during treatment with opioid agonist therapies.
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 | 0,014 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,012 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».