Detecting signals of opioid analgesic abuse: application of a spatial mixed effect poisson regression model using data from a network of poison control centers
Notice bibliographique
Résumé
PURPOSE: The recent rise in the non-medical use of opioid analgesics in the US has underscored the importance of comprehensive post-marketing surveillance of these products. To assist pharmacovigilance efforts, we developed a methodology for detecting geo-specific "signals" of potential outbreaks of prescription drug abuse by 3-digit ZIP (3DZ) code. METHODS: The number of intentional exposure calls involving nine specific opioid analgesics were obtained from eight regional poison control centers between first quarter 2003 and fourth quarter 2004. The unit of analysis was a combination of drug-quarter/year-3DZ. We fitted an empirical Bayes mixed effects Poisson-Gamma regression model that adjusted for differences across 3DZs in opioid analgesic exposure. A relative report rate (RR) >or=3 at a probability of >0.95 was the signal threshold criterion. RESULTS: A total of 15,769 valid drug-time-3DZ combinations were identified. Of these, 1.9% (n = 294) met the signal threshold criterion. The number of signals generated per drug-quarter/year-3DZ combination ranged from 0 to 13. The largest number of signals were those involving methadone (n = 71), hydrocodone (n = 57), and branded oxycodone extended-release (n = 45). Signals for methadone and branded oxycodone extended-release were predominantly clustered in Appalachia. Hydrocodone-related signals showed less geographic clustering with approximately 26% reported from California, and the remainder from other regions in the US. CONCLUSIONS: Our results show marked regional differences in reported abuse of specific opioid analgesics. Additional research is needed to determine the sensitivity and specificity of signals obtained using this spatial mixed effect Poisson regression model.
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 | 0,000 |
| 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 ».