Prescription opioid use before and after heart transplant: Associations with posttransplant outcomes
Notice bibliographique
Résumé
Impacts of the prescription opioid epidemic have not yet been examined in the context of heart transplantation. We examined a novel database in which national U.S. transplant registry records were linked to a large pharmaceutical claims warehouse (2007-2016) to characterize prescription opioid use before and after heart transplant, and associations (adjusted hazard ratio, 95% LCLaHR95% UCL) with death and graft loss. Among 13 958 eligible patients, 40% filled opioids in the year before transplant. Use was more common among recipients who were female, white, or unemployed, or who underwent transplant in more recent years. Of those with the highest level of pretransplant opioid use, 71% continued opioid use posttransplant. Pretransplant use had graded associations with 1-year posttransplant outcomes; compared with no use, the highest-level use (>1000 mg morphine equivalents) predicted 33% increased risk of death (aHR 1.101.331.61) in the year after transplant. Risk relationships with opioid use in the first year posttransplant were stronger, with highest level use predicting 70% higher mortality (aHR 1.461.701.98) over the subsequent 4 years (from >1 to 5 years posttransplant). While associations may, in part, reflect underlying conditions or behaviors, opioid use history is relevant in assessing and providing care to transplant candidates and recipients.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».