The Prevalence of and the Clinical and Demographic Characteristics Associated With High-Intensity Proton Pump Inhibitor Use
Notice bibliographique
Résumé
INTRODUCTION: High-intensity proton pump inhibitor (PPI) use is often recommended by physicians, though there is little proven benefit over standard PPI dosing in many clinical situations. We therefore sought to calculate the prevalence and predictors of high-intensity PPI use. METHODS: We used a Canadian provincial administrative database to capture all PPI prescriptions between 1996 and 2004. A person was defined as a high-intensity user if he used PPIs at more than 1.5 times the standard PPI dose for greater than 45 of 90 days before the index date. The prevalence of high-intensity use was calculated at four index dates annually. Stepwise logistic regression was performed to determine clinical and demographic factors associated with high-intensity PPI use. RESULTS: The prevalence of high-intensity PPI use increased from 9.7% in 1997 to 14.2% in 2004. Polypharmacy, concomitant use of antispasmodic/promotility agents, and recent endoscopy were most strongly predictive of high-intensity PPI use. Severity of gastroesophageal reflux disease (GERD) (as assessed by the number of GERD-related physician visits) was relatively weakly predictive of high-intensity PPI use. CONCLUSIONS: High-intensity PPI use is becoming more prevalent over time, and its use is strongly associated with factors suggestive of a high degree of comorbidity and treatment failure. Further research into factors that drive high-intensity PPI prescription and use are required.
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 | 0,002 | 0,001 |
| 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 | 0,004 |
| 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 ».