Incidence and Risk Factors of Long-term Opioid Use in Elderly Trauma Patients
Notice bibliographique
Résumé
OBJECTIVE: Evaluate the incidence and risk factors of opioid use 1 year after injury in elderly trauma patients. BACKGROUND: The current epidemic of prescription opioid misuse and overdose observed in North America generally concerns young patients. Little is known on long-term opioid use among the elderly trauma population. METHODS: In a retrospective observational multicenter cohort study conducted on registry data, all patients 65 years and older admitted (hospital stay >2 days) for injury in 57 adult trauma centers in the province of Quebec (Canada) between 2004 and 2014 were included. We searched for filled opioid prescriptions in the year preceding the injury, up to 3 months and 1 year after the injury. RESULTS: In all, 39,833 patients were selected for analysis. Mean age was 79.3 years (±7.7), 69% were women, and 87% of the sample was opioid-naive. After the injury, 38% of the patients filled an opioid prescription within 3 months and 10.9% [95% confidence interval (CI) 10.6%-11.2%] filled an opioid prescription 1 year after trauma: 6.8% (95% CI 6.5%-7.1%) were opioid-naïve and 37.6% (95% CI 36.3%-38.9%) were opioid non-naive patients. Controlling for confounders, patients who filled 2 or more opioid prescriptions before the injury and those who filled an opioid prescription within 3 months after the injury were, respectively, 11.4 and 3 times more likely to use opioids 1 year after the injury compared with those who did not fill opioid prescriptions. CONCLUSIONS: These results highlight that elderly trauma patients are at risk of long-term opioid use, especially if they had preinjury or early postinjury opioid consumption.
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 | 0,001 |
| 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 ».