Medical resource use and costs among pain patients with potential opioid-tolerability issues
Notice bibliographique
Résumé
OBJECTIVE: To estimate excess medical resource use and costs associated with prescription opioid (RxO) tolerability issues. DESIGN: This was an observational, retrospective analysis of deidentified administrative claims data. SETTING: The study included commercially insured patients treated in different healthcare settings captured in the Truven MarketScan claims database. PATIENTS: Patients aged 18-64 years initiating treatment with an RxO (index) and continuously treated with pain relievers over a 6-month period were selected. "Switchers" were patients who discontinued their index RxO and switched to non-RxO pain relievers < 30 days post-index, and whose last pain reliever in the 6-month follow-up period was not an RxO. Such switching was considered a proxy for RxO-tolerability issues. "Continuous RxO users" were patients who remained on the index RxO for the follow-up period. Switchers and continuous RxO users were matched 1:1 on propensity score, baseline medical costs, index RxO days supply, and short-/long-acting index RxO. MAIN OUTCOME MEASURES: Six-month follow-up medical resource use and costs were compared between matched switchers and continuous RxO users. RESULTS: A total of 10,704 pairs of switchers and continuous RxO users were matched. In the 6-month follow-up period, switchers had more outpatient (7.5 vs 6.8; p < 0.001) and inpatient (0.05 vs 0.04; p = 0.002) visits and longer inpatient stays (0.26 days vs 0.19; p = 0.006) compared to continuous RxO users. Switchers also had higher total medical costs ($4,522 vs $3,657; p < 0.001). CONCLUSIONS: Switchers incur greater medical resource use and costs than similar patients continuously treated with their index RxO.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».