Has Province-Wide Symptom Screening Changed Opioid Prescribing Rates in Older Patients With Cancer?
Notice bibliographique
Résumé
PURPOSE: Previous work in Ontario demonstrated that 33% of patients with cancer with severe pain did not receive opioids at the time of their pain assessment. With efforts to increase symptom screening and management since then, the objective of this study was to examine temporal trends in opioid prescribing. METHODS: The cohort was comprised of Ontario residents ≥ 65 years of age with a cancer history who were eligible for the government pharmacare program and had a pain assessment using the Edmonton Symptom Assessment System. Use of the Edmonton Symptom Assessment System is part of a provincial initiative to screen ambulatory patients with cancer for symptoms. Annually between 2007 and 2013, we used the date of an individual's highest pain score as the index date to calculate annual opioid prescription rates for claims within 30 days before and up to 7 days after the index date. A logistic regression model evaluated the association between index year and odds of receiving an opioid prescription. RESULTS: During the study period, the number of individuals undergoing symptom assessment annually increased more than eight-fold. Opioid prescription rates were directly related to pain scores, but there was an annual 5% relative decrease in the odds of receiving an opioid prescription during the era from 2009 to 2013. CONCLUSION: We are doing better at screening for pain, but this has not led to an increase in analgesic intervention for those identified. Additional work is required to determine what opioid prescribing rate is optimal to ensure we are not missing opportunities to improve patient comfort.
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 | 0,001 | 0,003 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».