Health Care Costs and Utilization in Patients Receiving Prescriptions for Long-acting Opioids for Acute Postsurgical Pain
Notice bibliographique
Résumé
OBJECTIVES: Severe pain after joint replacement surgeries is common and is usually managed by opioid analgesics. We described joint replacement surgery patients who received prescriptions for long-acting opioids (LAOs) and compared their health care utilization and costs with postsurgical patients who did not receive LAO prescriptions. MATERIALS AND METHODS: Patients undergoing hip, knee, or shoulder replacement surgery between January 1, 2008 and December 31, 2011were included in the study and were classified by their exposure to LAOs. We estimated multivariate models to compare the groups' health care utilization and costs in the first 7 days and in the 1, 3, 6, and 12 months after surgery. RESULTS: Of 118,816 patients who met our inclusion criteria, 15,094 (13%) received LAO prescriptions in 30 days following surgery. LAO recipients were slightly younger and more likely than nonrecipients to have taken antibiotics, antidepressants, benzodiazepines, antihypertensives, sedatives, muscle relaxants, and short-acting opioids in the 60 days before surgery. LAO recipients were more likely to have had a hospitalization and an emergency department visit in the subsequent 1 week and in the next 1, 3, 6, and 12 months. Patients receiving LAO prescriptions incurred greater costs in the 1 week and in the 1, 3, 6, and 12 months following their surgeries compared with patients who did not receive LAO prescriptions. DISCUSSION: We found associations between patients who received prescriptions for LAOs and increased costs and utilization. Future studies should elucidate causal relationships between LAOs and increased resource use. Providers should consider alternative pain management strategies.
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 | 0,005 | 0,007 |
| 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 ».