Patient level factors associated with chronic opioid use in cancer patients.
Notice bibliographique
Résumé
11580 Background: Opioid prescribing in oncology is increasingly scrutinized given public health concerns about chronic opioid use, misuse, and harms. We aimed to evaluate patient reported pain scores, mental health indicators, prior opioid use, and number of opioid prescribers as potential risk factors for chronic opioid use in a large Canadian province. Methods: This was a population-based cohort study using administrative health data of patients in Alberta, Canada, diagnosed between Jan 2016 and Jan 2017, and completed a prospective comprehensive symptom survey within +/- 60 days of diagnosis. Patients were divided into two groups: chronic opioid use (COU) (defined as continuous prescriptions for opioids for at least 90 days post diagnosis) and non-chronic opioid use (NCOU). Logistic regression models were used to evaluate factors associated with COU. Results: We included 694 patients. Most had breast (20%), colorectal (13%), and lung (33%) cancers. There were no differences in mean age (65 years) or gender (50% female) between the groups. In total, 32% had moderate to high pain scores at diagnosis. Of the 14% with COU, 79% were opioid naïve at diagnosis. Those in the COU group were more often diagnosed with advanced stage of disease (66% vs 40%), had lung cancer (47%), and were opioid tolerant at diagnosis (defined as > 90 days of continuous opioids within 1 year prior to their diagnosis) (21% vs 3%). In comparison, 64% of COU versus 27% of NCOU had moderate to severe pain scores at diagnosis (p < 0.001). COU had significantly higher anxiety and depression scores at diagnosis versus NCOU (p = 0.004). Among patients with COU, morphine equivalent daily doses increased from 27.3 (pre-diagnosis) to 65.1 (post-diagnosis). Irrespective of treatment type or stage, those who had moderate to high pain scores, were opioid tolerant at diagnosis, or had multiple prescribers were at greater risk for COU (see Table). Conclusions: Specific patient groups were at increased risk of COU and should be the focus of adaptive prescribing approaches to ensure that opioid use is appropriate. [Table: see text]
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 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».