Time trends in opioid use in cancer and noncancer patients: Observations from administrative data.
Notice bibliographique
Résumé
298 Background: Opioid prescribing has been increasingly scrutinized in the non-cancer patient population due to concerns with morbidity, mortality and diversion. Resulting regulatory changes have decreased prescribing. As an unintended consequence, we hypothesized that cancer patients might be similarly impacted. Methods: All Ontario residents ≥ 65 years are eligible for government paid pharmacare. For each year from 2004 to 2013, Ontarians ≥ 65 years were stratified into 3 groups: no cancer history, cancer diagnosis > 5 years ago and cancer diagnosis ≤ 5 years ago. We evaluated time trends in 2 outcomes: (1) opioid prescription rate = total number of pharmacare claims / total population of ≥ 65 year olds, and (2) mean daily opioid dose (in morphine equivalents) = sum of all patient’s mean daily opioid doses over their first 90 days of opioid therapy in each year / total patients with an opioid prescription in that year. Results: Ontario’s population of ≥ 65 year olds increased each year with 2.1 million residents in 2013 (5% recent cancer, 10% remote cancer). Demographics were similar by year for each group. Across all years, overall opioid prescription rates were highest for those with a recent cancer and lowest for those with no cancer history. Overall prescription rates increased over time by 23%, 14% and 10% in the non-cancer, remote cancer and recent cancer groups respectively, primarily due to increases in long acting opioids and immediate release single agents. Decreases were seen in long acting oxycodone and fentanyl prescriptions in all cancer groups. The mean daily opioid dose increased for patients receiving long acting oxycodone and fentanyl but was relatively stable for other drug classes. With the exception of immediate release single agents, the mean daily dose was similar between cancer groups regardless of drug class. Conclusions: Regulatory measures have succeeded in decreasing prescription rates in some but not all drug classes among Ontarians aged ≥ 65. Changes over time in both prescription rates and mean daily opioid dose were similar for all 3 groups, suggesting that factors influencing prescribing are affecting cancer and non-cancer patients similarly, possibly to the detriment of some cancer patients.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».