Predictors of In-hospital Postoperative Opioid Overdose After Major Elective Operations
Notice bibliographique
Résumé
OBJECTIVE: The aim of this study was to describe national trends and outcomes of in-hospital postoperative opioid overdose (OD) and identify predictors of postoperative OD. SUMMARY OF BACKGROUND DATA: In 2000, the Joint Commission recommended making pain the 5th vital sign, increasing the focus on postoperative pain control. However, the benefits of pain management must be weighed against the potentially lethal risk of opioid OD. METHODS: This is a retrospective multi-institutional cohort study of patients undergoing 1 of 6 major elective inpatient operation from 2002 to 2011 using the Nationwide Inpatient Sample, an approximately 20% representative sample of all United States hospital admissions. Patients with postoperative OD were identified using ICD-9 codes for poisoning from opioids or adverse effects from opioids. Multivariate logistic regression was used to identify independent predictors. RESULTS: Among 11,317,958 patients, 9458 (0.1%) had a postoperative OD; this frequency doubled over the study period from 0.6 to 1.1 overdoses per 1000 cases. Patients with postoperative OD died more frequently during their hospitalization (1.7% vs 0.4%, P < 0.001). Substance abuse history was the strongest predictor of OD (odds ratio = 14.8; 95% confidence interval: 12.7-17.2). Gender, age, income, geographic location, operation type, and certain comorbid diseases also predicted OD (P < 0.05). Hospital variables, including teaching status, size, and urban/rural location, did not predict postoperative OD. CONCLUSIONS: Postoperative OD is a rare, but potentially lethal complication, with increasing incidence. Postoperative monitoring and treatment safety interventions should be thoughtfully employed to target high-risk patients and avoid this potentially fatal complication.
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 ».