Opioid use and initiation of positive airway pressure treatment in adults referred for sleep disorder assessment: An explanatory population-based study
Notice bibliographique
Résumé
OBJECTIVES We conducted a retrospective population-based study to explore: (i) the prevalence of opioid use among adults referred for a sleep disorder assessment and (ii) the relationship between opioid use and initiation of positive airway pressure (PAP) treatment.METHODS All adults who underwent an initial diagnostic sleep study (index date) in Ontario (Canada) between 2013 and 2016 were identified through provincial health administrative data. Opioid use was identified as active or recent opioid prescriptions (at or close to the index date) and being on opioids at any time in the last year. Cause specific hazard models were utilized.RESULTS Of 268,293 adults, about 5% had an active or recent opioid prescription, 25% were on opioids in the last year, and 39% initiated PAP in a median of 17.4 months. Among active opioid users, 12% were treated with a daily dose ≥200 mg morphine equivalent, 37% were treated with long-acting opioids, and 38% were on benzodiazepines in the last year. Only opioid use in the last year was significantly associated with PAP initiation (1.08; 1.06–1.09), but not an active or recent opioid prescription. Among active opioid users, long-acting opioid users and those on high opioid daily dosage were less likely to initiate PAP.CONCLUSIONS We found a high degree of prior opioid exposure among people referred for a sleep disorder assessment with a large proportion on long-acting opioids, higher opioid dosages and on benzodiazepines among active opioid users. However, active opioid treatment was not associated with a higher likelihood of PAP initiation; active opioid users at higher risk of impaired breathing in sleep were less likely to initiate PAP.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».