The Prevalence and Predictors of Opioid Use in Inflammatory Bowel Disease: A Population-Based Analysis
Notice bibliographique
Résumé
OBJECTIVES: Opioids are commonly used in the treatment of pain and associated symptoms of inflammatory bowel disease (IBD). The continuous use of opioids has been associated with adverse outcomes, including death. The prevalence and the risk factors for opioid use in IBD are poorly characterized. METHODS: We used the population-based Manitoba IBD Epidemiology Database to identify all individuals in Manitoba with IBD who were prescribed opioids both before and following diagnosis. We determined the point prevalence of any opioid use, as well as the risk of becoming a heavy opioid user (defined as continuous use for 30 days at a dose exceeding 50 mg morphine/day or equivalent). Logistic regression and Cox proportional hazards models were generated to assess whether IBD was an independent risk factor for opioid use, the risk factors for opioid use in individuals with IBD, and to determine whether opioid use was associated with excess mortality in IBD. RESULTS: Within 10 years of diagnosis, 5% of individuals with IBD had become heavy opioid users. Moderate use of opioids before diagnosis was strongly predictive of future heavy use. Individuals with IBD were significantly more likely to become heavy opioid users than their matched controls (odds ratio (OR) 2.91, 95% confidence interval (CI) 2.19-3.85). Heavy opioid use was strongly associated with mortality (OR 2.82, 95% CI 1.58-5.02). CONCLUSIONS: IBD is an independent risk factor for becoming a heavy opioid user, and heavy opioid use is associated with excess mortality in IBD patients. Clinicians should recognize risk factors for future heavy opioid use among their patients with IBD.
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) | 0,000 | 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 ».