MétaCan
Menu
Retour à la cohorte
Enregistrement W4412893321 · doi:10.1016/j.dadr.2025.100368

Impact of hepatitis C serostatus on health service utilization for opioid-related harms among individuals prescribed opioid agonist therapy: A longitudinal prospective cohort study

2025· article· en· W4412893321 sur OpenAlexafffund
Paige Guyatt, Glenda Babe, Anastasia Gayowsky, Tea Rosic, Myanca Rodrigues, Paxton Bach, Claire de Oliveira, Jeffrey H. Samet, Geneviève Kerkerian, Jessica Hann, Joanna C. Dionne, Aijaz Ahmed, Donghee Kim, Seonaid Nolan, Lehana Thabane, Zainab Samaan, Brittany B. Dennis

Notice bibliographique

RevueDrug and Alcohol Dependence Reports · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueOpioid Use Disorder Treatment
Établissements canadiensInstitute for Clinical Evaluative SciencesUniversity of TorontoSt. Joseph’s Healthcare HamiltonUniversity of British ColumbiaUniversity of OttawaCentre for Addiction and Mental HealthBritish Columbia Centre on Substance UseMcMaster University
Organismes subventionnairesNational Institute on Drug AbuseCanadian Institutes of Health ResearchOntario Ministry of Health and Long-Term CareMichael Smith Health Research BCInstitute for Clinical Evaluative Sciences
Mots-clésSerostatusMedicineOpioidHepatitis COpioid epidemicProspective cohort studyAgonistLongitudinal studyCohortCohort studyInternal medicineFamily medicineHuman immunodeficiency virus (HIV)

Résumé

récupéré en direct d'OpenAlex

Varied substance use outcomes have been reported among individuals with a hepatitis C viral (HCV) infection on opioid agonist treatment (OAT) for opioid use disorder. Accordingly, the current study sought to evaluate the association between HCV serostatus, among other factors, and opioid-related acute health service utilization (e.g., emergency department [ED] visits and hospitalizations) among individuals prescribed OAT. Multi-site prospective cohort study data were used to characterize demographic characteristics, substance use patterns, and physical health amongst individuals prescribed OAT. Logistic regression models were built to estimate the association between HCV-seropositivity and opioid-related ED visits and hospitalizations over a three-year follow up period. Among 3430 participants, 10.6 % ( n = 365) were HCV-seropositive. In the follow-up period, 21.3 % ( n = 730) attended the ED and 8.7 % ( n = 298) were hospitalized for opioid related-harms. HCV-seropositivity was associated with an increased incidence of ED visits for opioid poisoning (9.0 % vs 4.9 % for participants who were HCV-seronegative, p < 0.01) and other opioid-related harms (22.5 % vs. 20.8 % for seronegative participants, p = 0.03). However, multiple logistical regression models showed no association between HCV serostatus and opioid-related health service utilization; rather, injection drug use was a significant predictor of opioid-related ED visits (OR 3.39, p < 0.01) and hospitalizations (OR 1.21, p = 0.01). Among individuals prescribed OAT, those with seropositive HCV have increased incidence of ED visits and hospitalizations for opioid-related harms, an association which may be driven by injection use practices. These findings highlight the importance of screening for injection use practices and health symptoms, as well as the potential role for targeting resources (e.g., harm reduction supplies, education regarding transmission) within this vulnerable subgroup. • Among individuals on opioid agonist therapy, those with hepatitis-C have more opioid-related hospital presentations. • However, hepatitis-C is not a prognostic factor for acute opioid-related presentations. • Injection drug use is the strongest predictor of acute opioid-related presentations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
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 enseignants0,013
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,028
Tête enseignante GPT0,353
Écart entre enseignants0,325 · 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 tête enseignante, pas un consensus.

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

Citations1
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueDrug and Alcohol Dependence ReportsMême sujetOpioid Use Disorder TreatmentTravaux en français237 207