Trends in high-dose opioid prescribing in Canada.
Notice bibliographique
Résumé
OBJECTIVE: To describe trends in rates of prescribing of high-dose opioid formulations and variations in opioid product selection across Canada. DESIGN: Population-based, cross-sectional study. SETTING: Canada. PARTICIPANTS: Retail pharmacies dispensing opioids between January 1, 2006, and December 31, 2011. MAIN OUTCOME MEASURES: Opioid dispensing rates, reported as the number of units dispensed per 1000 population, stratified by province and opioid type. RESULTS: The rate of dispensing high-dose opioid formulations increased 23.0%, from 781 units per 1000 population in 2006 to 961 units per 1000 population in 2011. Although these rates remained relatively stable in Alberta (6.3% increase) and British Columbia (8.4% increase), rates in Newfoundland and Labrador (84.7% increase) and Saskatchewan (54.0% increase) rose substantially. Ontario exhibited the highest annual rate of high-dose oxycodone and fentanyl dispensing (756 tablets and 112 patches per 1000 population, respectively), while Alberta's rate of high-dose morphine dispensing was the highest in Canada (347 units per 1000 population). Two of the highest rates of high-dose hydromorphone dispensing were found in Saskatchewan and Nova Scotia (258 and 369 units per 1000 population, respectively). Conversely, Quebec had the lowest rate of high-dose oxycodone and morphine dispensing (98 and 53 units per 1000 population, respectively). CONCLUSION: We found marked interprovincial variation in the dispensing of high-dose opioid formulations in Canada, emphasizing the need to understand the reasons for these differences, and to consider developing a national strategy to address opioid prescribing.
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 | 0,000 |
| 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 ».