MétaCan
Menu
Retour à la cohorte
Enregistrement W2561351618 · doi:10.1371/journal.pone.0167479

High-Dose Opioid Prescribing and Opioid-Related Hospitalization: A Population-Based Study

2016· article· en· W2561351618 sur OpenAlexafffundabout
Kimberly A. Fernandes, Diana Martins, David N. Juurlink, Muhammad Mamdani, J. Michael Paterson, Samantha Singh, Tara Gomes

Notice bibliographique

RevuePLoS ONE · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueOpioid Use Disorder Treatment
Établissements canadiensMcMaster UniversityUniversity of TorontoSt. Michael's HospitalSunnybrook Health Science CentreInstitute for Clinical Evaluative SciencesHealth Sciences CentreUniversity of British Columbia
Organismes subventionnairesNovo NordiskOntario Ministry of Health and Long-Term CareInstitute for Clinical Evaluative SciencesGlaxoSmithKlinePfizerEli Lilly and CompanyBristol-Myers Squibb
Mots-clésMedicineOxycodoneOpioidMedical prescriptionFentanylPsychological interventionEmergency medicinePopulationMorphineEmergency departmentChronic painInternal medicineAnesthesiaPsychiatryEnvironmental healthPharmacology

Résumé

récupéré en direct d'OpenAlex

AIMS: To examine the impact of national clinical practice guidelines and provincial drug policy interventions on prevalence of high-dose opioid prescribing and rates of hospitalization for opioid toxicity. DESIGN: Interventional time-series analysis. SETTING: Ontario, Canada, from 2003 to 2014. PARTICIPANTS: Ontario Drug Benefit (ODB) beneficiaries aged 15 to 64 years from 2003 to 2014. INTERVENTIONS: Publication of Canadian clinical practice guidelines for use of opioids in chronic non-cancer pain (May 2010) and implementation of Ontario's Narcotics Safety and Awareness Act (NSAA; November 2011). MEASUREMENTS: Three outcomes were explored: the rate of opioid use among ODB beneficiaries, the prevalence of opioid prescriptions exceeding 200 mg and 400 mg morphine equivalents per day, and rates of opioid-related emergency department visits and hospital admissions. FINDINGS: Over the 12 year study period, the rate of opioid use declined 15.2%, from 2764 to 2342 users per 10,000 ODB eligible persons. The rate of opioid use was significantly impacted by the Canadian clinical practice guidelines (p-value = .03) which led to a decline in use, but no impact was observed by the enactment of the NSAA (p-value = .43). Among opioid users, the prevalence of high-dose prescribing doubled (from 4.2% to 8.7%) over the study period. By 2014, 40.9% of recipients of long-acting opioids exceeded daily doses of 200 mg morphine or equivalent, including 55.8% of long-acting oxycodone users and 76.3% of transdermal fentanyl users. Moreover, in the last period, 18.7% of long-acting opioid users exceeded daily doses of 400 mg morphine or equivalent. Rates of opioid-related emergency department visits and hospital admissions increased 55.0% over the study period from 9.0 to 14.0 per 10,000 ODB beneficiaries from 2003 to 2013. This rate was not significantly impacted by the Canadian clinical practice guidelines (p-value = .68) or enactment of the NSAA (p-value = .59). CONCLUSIONS: Although the Canadian clinical practice guidelines for use of opioids in chronic non-cancer pain led to a decline in opioid prescribing rates among ODB beneficiaries these guidelines and subsequent Ontario legislation did not result in a significant change in rates of opioid-related hospitalizations. Given the prevalence of high dose opioid prescribing in this population, this suggests that improved strategies and programs for the safe prescribing of long-acting opioids are needed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,559
Score d'incertitude au seuil0,886

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,003
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,241
Écart entre enseignants0,218 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations54
Publié2016
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revuePLoS ONEMême sujetOpioid Use Disorder TreatmentTravaux en français237 207