Tracking Opioid Prescribing Metrics in Washington State (2012‐2017): Differences by County‐Level Urban‐Rural and Economic Distress Classifications
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
PURPOSE: High-risk opioid prescribing is a critical driver of prescription opioid-related morbidity and mortality. This study explored opioid prescribing patterns across urban-rural and economic distress classifications. Secondarily, this study explored the urban-rural distribution of relevant health services, economic factors, and population characteristics. METHODS: County-level opioid prescribing metrics were based on quarterly Washington State Prescription Monitoring Program data (2012-2017). Counties were classified using the 2013 National Center for Health Statistics Urban-Rural Classification Scheme for Counties, and Washington State unemployment-based distressed areas. County-level measures from Area Health Resources Files were used to describe the urban-rural continuum. FINDINGS: Persistent economic distress was associated with higher-risk opioid prescribing. The large central metropolitan category had lower-risk opioid prescribing metrics than the other 5 urban-rural categories, which were similar to each other and not ordered by degree of rurality. High-risk prescribing declined over time, without notable trend divergence by either urban-rural or economic distress classifications. CONCLUSIONS: The most striking urban-rural differences in opioid prescribing metrics were between large central metropolitan and all other categories; thus, we recommend caution when collapsing urban-rural categories for analysis. Further research is needed regarding geographic and economic patterning of opioid prescribing practices, as well as the dissemination of guidelines and best practices across the urban-rural continuum. Finally, the multiple intertwined burdens faced by rural communities-higher-risk prescribing practices, higher opioid morbidity and mortality rates, and fewer resources for primary care, mental health care, alternative pain treatment, and opioid use disorder treatment-must be addressed as an urgent public health priority.
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) | 0,000 | 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