Opioid Overdose Hospitalization Trajectories in States With and Without Opioid-Dosing Guidelines
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
OBJECTIVES: High-risk opioid-prescribing practices contribute to a national epidemic of opioid-related morbidity and mortality. The objective of this study was to determine whether the adoption of state-level opioid-prescribing guidelines that specify a high-dose threshold is associated with trends in rates of opioid overdose hospitalizations, for prescription opioids, for heroin, and for all opioids. METHODS: We identified 3 guideline states (Colorado, Utah, Washington) and 5 comparator states (Arizona, California, Michigan, New Jersey, South Carolina). We used state-level opioid overdose hospitalization data from 2001-2014 for these 8 states. Data were based on the State Inpatient Databases and provided by the Healthcare Cost and Utilization Project (HCUP), Agency for Healthcare Research and Quality, via HCUPnet. We used negative binomial panel regression to model trends in annual rates of opioid overdose hospitalizations. We used a multiple-baseline difference-in-differences study design to compare postguideline trends with concurrent trends for comparator states. RESULTS: For each guideline state, postguideline trends in rates of prescription opioid and all opioid overdose hospitalizations decreased compared with trends in the comparator states. The mean annual relative percentage decrease ranged from 3.2%-7.5% for trends in rates of prescription opioid overdose hospitalizations and from 5.4%-8.5% for trends in rates of all opioid overdose hospitalizations. CONCLUSIONS: These findings provide preliminary evidence that opioid-dosing guidelines may be an effective strategy for combating this public health crisis. Further research is needed to identify the individual effects of opioid-related interventions that occurred during the study period.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 découle