The effectiveness of prescription drug monitoring programs at reducing opioid-related harms and consequences: a systematic review
Notice bibliographique
Résumé
BACKGROUND: In order to address the opioid crisis in North America, many regions have adopted preventative strategies, such as prescription drug monitoring programs (PDMPs). PDMPs aim to increase patient safety by certifying that opioids are prescribed in appropriate quantities. We aimed to synthesize the literature on changes in opioid-related harms and consequences, an important measure of PDMP effectiveness. METHODS: We completed a systematic review. We conducted a narrative synthesis of opioid-related harms and consequences from PDMP implementation. Outcomes were grouped into categories by theme: opioid dependence, opioid-related care outcomes, opioid-related adverse events, and opioid-related legal and crime outcomes. RESULTS: We included a total of 22 studies (49 PDMPs) in our review. Two studies reported on illicit and problematic use but found no significant associations with PDMP status. Eight studies examined the association between PDMP status and opioid-related care outcomes, of which two found that treatment admissions for prescriptions opioids were lower in states with PDMP programs (p < 0.05). Of the thirteen studies that reported on opioid-related adverse events, two found significant (p < 0.001 and p < 0.05) but conflicting results with one finding a decrease in opioid-related overdose deaths after PDMP implementation and the other an increase. Lastly, two studies found no statistically significant association between PDMP status and opioid-related legal and crime outcomes (crime rates, identification of potential dealers, and diversion). CONCLUSION: Our study found limited evidence to support overall associations between PDMPs and reductions in opioid-related consequences. However, this should not detract from the value of PDMPs' larger role of improving opioid prescribing.
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 | 0,013 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».