Opioid Prescription After Pain Assessment: A Population-Based Cohort of Elderly Patients With Cancer
Notice bibliographique
Résumé
PURPOSE: The purpose of this study was to measure opioid prescription (OP) rates in elderly cancer outpatients around the time of assessment for pain and to evaluate factors associated with receiving OPs for those with severe pain. PATIENTS AND METHODS: The cross-sectional cohort includes all patients with cancer in Ontario older than age 65 years who completed a pain assessment as part of a provincial initiative of systematic symptom screening. Patients were assigned to mutually exclusive categories by pain score severity: 0, 1 to 3 (mild), 4 to 6 (moderate), and 7 to 10 (severe). We linked multiple provincial health databases to examine the proportion of patients with an OP within 7 days after or 30 days before the assessment date. We examined factors associated with OPs for patients with pain scores of 7 to 10. RESULTS: The proportion of patients with an OP increased as pain score severity increased: 10% of those with no pain, 24% of those with mild pain, 45% of those with moderate pain, and 67% of those with severe pain. More specifically, for those with severe pain, 41% filled an OP within 7 days of assessment for pain, and 26% had an OP from the 30 days before assessment for pain, leaving 33% without an OP. In multivariable analysis, factors associated with OPs are younger age, male sex, comorbid illness, cancer type, and assessment at home. CONCLUSION: Despite a generous time window for capturing OPs, the proportion of patients without an OP seems high. Further knowledge translation is required to maximize the impact of the symptom screening initiative in Ontario and to optimize management of cancer-related pain.
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 | 0,004 | 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 | 0,000 |
| 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 ».