Prescriptions Written for Opioid Pain Medication in the Veterans Health Administration Between 2000 and 2016
Notice bibliographique
Résumé
OBJECTIVES: The purpose of this study was to identify national opioid pain medication (OPM) prescribing trends within the Veterans Health Administration (VA), and assess the impact of educational campaigns introduced in 2010 and 2013. METHODS: We created a national cohort that documents more than 21 million patient records and 97 million outpatient OPM prescriptions covering a 17-year period. We examined OPM prescriptions in emergency departments, outpatient clinics, and inpatient settings. RESULTS: The cohort accounted for 2.5 billion outpatient clinic visits, 18.9 million emergency department visits, and 12.4 million hospital admissions. The number of OPM prescriptions peaked in 2011, when they were provided during 5% of all outpatient visits and 15% of all emergency department visits. The morphine milligram equivalents (MMEs) peaked in 2014 at almost 17 billion in outpatient clinics and at 137 million in emergency departments. In 2016, OPM prescriptions were down 37% in outpatient clinics and 23% in emergency departments, and MMEs were down 30% in both settings. Prescriptions for hydrocodone and tramadol increased markedly between 2011 and 2015. OPM doses in inpatient settings continued to rise until 2015. CONCLUSIONS: We used a large national cohort to study trends in OPM prescriptions within the VA. Educational efforts to reduce the number of OPM prescriptions coincided with these reductions, but were initially associated with an increase in OPM dosage, an increase in the use of tramadol and hydrocodone, and an increase in the use of OPMs in inpatient settings.
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 | 0,003 | 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 ».