Opioid Overdose in the Hospital Setting: A Systematic Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: Our objective was to determine the percentage of opioid overdose events among medical and surgical inpatient admissions, and to identify risk factors associated with these events. METHODS: We searched PubMed and CINAHL databases from inception through July 30, 2017 and identified additional studies from reference lists and other reviews. Articles were included if they reported original research on the rate of opioid overdoses or opioid-related adverse events, and the adverse events occurred in a general medical hospital during an inpatient stay. We extracted information on study population, design, results, and risk for bias using the Newcastle-Ottawa Quality Assessment Scale. We performed this review in accordance with recently suggested standards and report our findings as per the Meta-Analyses and Systematic Reviews of Observational Studies guidelines. RESULTS: Thirteen studies met our eligibility criteria. The percentage of opioid overdoses ranged from 0.06% to 2.50% of hospitalizations. The majority of studies used only 1 method of event detection. Risk factors for overdose included older age, infancy, medical comorbidity, substance use disorder diagnosis, combining opioids with other sedatives, and admission to hospitals with higher opioid-prescribing rates. CONCLUSIONS: Opioid overdose in the inpatient setting is a serious preventable harm and is likely underestimated in much of the current literature. Improved detection methods are needed to more accurately measure the rate of inpatient opioid overdose. Refined estimates of opioid overdose should be used to drive safety and quality improvement initiatives in hospitals.
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 découle