Non-medical use of prescription opioids: use to experience subjective effects vs. other non-medical use among adults in Ontario, Canada from 2020 to 2024
Notice bibliographique
Résumé
OBJECTIVE: The opioid crisis remains an important public health concern, with nonmedical use of prescription opioids (NMUPO) playing a significant role. However, limited evidence exists on how adults engaging in NMUPO for subjective effects differ from those who use them for other nonmedical reasons. This study aims to identify and examine factors associated with engagement in NMUPO for subjective effects. METHOD: = 7,655). The surveys used a Qualtrics-based web survey to assess NMUPO, sociodemographic factors, substance use, and mental health. Data were analyzed using multivariate multinomial logistic regression. RESULTS: About 3% of adults engaged in NMUPO for subjective effects/to get high, and 15% of participants engaged in NMUPO for other nonmedical purposes during 2020 and 2024. These percentages remained stable over the years. The risk of NMUPO for subjective effects, compared with NMUPO for other purposes, was significantly higher among Asian people compared with their White counterparts (relative risk ratio [RRR] = 1.80, 95% CI [1.08, 3.01]) and among those with children (RRR = 2.53, 95% CI [1.64, 3.92]). Similarly, individuals with low household income, current other substance use, and psychological distress exhibited a higher risk of NMUPO, after adjusting for covariates. CONCLUSIONS: Individuals who use prescription opioids nonmedically for subjective effects or other reasons differ by race/ethnicity, parental status, income, substance use, and level of psychological distress. These findings suggest the need for targeted prevention and intervention strategies to address the unique needs and behaviors of different user groups.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 ».