Differences in Opioid Prescribing Practices among Plastic Surgery Trainees in the United States and Canada
Notice bibliographique
Résumé
BACKGROUND: Overprescribing following surgery is a known contributor to the opioid epidemic, increasing the risk of opioid abuse and diversion. Trainees are the primary prescribers of these medications at academic institutions, and little is known about the factors that influence their prescribing. The authors hypothesized that differences in health care funding and delivery would lead to disparities in opioid prescribing. Therefore, the authors sought to compare the prescribing practices of plastic surgery trainees in the United States and Canada. METHODS: A survey was administered to trainees at a sample of U.S. and Canadian institutions. The survey queried opioid-prescriber education, factors contributing to prescribing practices, and analgesic prescriptions written after eight procedures. Oral morphine equivalents were calculated for each procedure and compared between groups. RESULTS: One hundred sixty-two trainees completed the survey, yielding a response rate of 32 percent. Opioid-prescriber education was received by 25 percent of U.S. and 53 percent of Canadian trainees (p < 0.0001). Preoperative counseling was performed routinely by only 11 percent of U.S. and 14 percent of Canadian trainees. U.S. trainees prescribed significantly more oral morphine equivalents than Canadians for seven of eight procedures (p < 0.05). Residency training in the United States and junior training level independently predicted higher oral morphine equivalents prescribed (p < 0.05). CONCLUSIONS: U.S. trainees prescribed significantly more opioids than their Canadian counterparts for seven of eight procedures surveyed. Many trainees are missing a valuable opportunity to provide opioid counseling to patients. Standardizing trainee education may represent an opportunity to reduce overprescribing.
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 | 0,000 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».