Prescribing practice of pregabalin/gabapentin in pain therapy: an evaluation of German claim data
Notice bibliographique
Résumé
OBJECTIVES: To analyse the prevalence and incidence of pregabalin and gabapentin (P/G) prescriptions, typical therapeutic uses of P/G with special attention to pain-related diagnoses and discontinuation rates. DESIGN: Secondary data analysis. SETTING: Primary and secondary care in Germany. PARTICIPANTS: Four million patients in the years 2009-2015 (anonymous health insurance data). INTERVENTION: None. PRIMARY AND SECONDARY OUTCOME MEASURES: P/G prescribing rates, P/G prescribing rates associated with pain therapy, analysis of pain-related diagnoses leading to new P/G prescriptions and the discontinuation rate of P/G. RESULTS: In 2015, 1.6% of insured persons received P/G prescriptions. Among the patients with pain first treated with P/G, as few as 25.7% were diagnosed with a typical neuropathic pain disorder. The remaining 74.3% had either not received a diagnosis of neuropathic pain or showed a neuropathic component that was pathophysiologically conceivable but did not support the prescription of P/G. High discontinuation rates were observed (85%). Among the patients who had discontinued the drug, 61.1% did not receive follow-up prescriptions within 2 years. CONCLUSION: The results show that P/G is widely prescribed in cases of chronic pain irrespective of neuropathic pain diagnoses. The high discontinuation rate indicates a lack of therapeutic benefits and/or the occurrence of adverse effects.
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 | 0,008 | 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 | 0,001 |
| 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 ».