Predictors of Treatment Outcomes for Patients with Opioid Use Disorder
Notice bibliographique
Résumé
Background: Opioid-related mortality rates have steeply risen over the past decade, simultaneous to the increased prevalence of more potent synthetic opioids such as fentanyl in the street drug supply. Many patients with opioid use disorder (OUD) also use cannabis, which has been suggested to reduce opioid use in this population. The purpose of this thesis is to gain a deeper understanding of treatment outcomes for patients with OUD since the onset of the fentanyl era and subsequent legalization of cannabis in Canada, and to evaluate the potential association of cannabis use and treatment outcomes. Methods: We used data from a large sample of patients receiving treatment (methadone or buprenorphine) for OUD from fifty-four clinical sites across Ontario, Canada between 2018 and 2023. We conducted three studies aimed at evaluating various aspects of treatment outcomes for patients with OUD. We specifically focused on the potential implications of cannabis use in these patients. Results: The main conclusions of this work include: 1) although patients on methadone are more likely to stay in treatment than those on buprenorphine, the treatment type did not affect continued non-prescribed opioid use in patients who completed 12-months of follow-up; 2) approximately half of the patients with OUD used cannabis which did not improve treatment outcomes; 3) cannabis use was associated with a heightened propensity for suicidal ideation, irrespective of the frequency of use. Conclusion: We identified several trends associated with response to treatment amongst patients using opioids in the current fentanyl era, and since the legalization of cannabis in Canada. The findings of this thesis are highly generalizable to the typical patient with OUD, and help to identify potentially higher-risk individuals who may benefit from more intensive treatment programs. Future studies are needed to gain a deeper understanding of treatment outcomes for patients with OUD.
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 | 0,000 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,003 | 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 ».