Postoperative opioid-prescribing patterns among surgeons and residents at universityaffiliated hospitals: a survey study
Notice bibliographique
Résumé
Background: Overprescribing of opioids to patients following surgery is a public health concern, as unused pills may be diverted and contribute to opioid misuse and dependence. The objectives of this study were to determine current opioid-prescribing patterns for common surgical procedures, factors that affect surgeons’ prescribing behaviour and their perceived ability to manage patients with opioid use disorder. Methods: Survey participants included all consultant and trainee surgeons at the University of Toronto. The survey, which was administered electronically, included 52 multiple-choice, rank-order and open-text questions eliciting information on current prescribing patterns, prescribing of adjunct pain medications, and education and other factors related to opioid prescribing. Staff surgeons were also asked about how they manage patients with a suspected opioid issue. Results: Eighty surgical trainees and 40 staff surgeons responded to the survey (response rate 32%). Five staff surgeons (12%) felt adequately educated to prescribe pain medications (including opioids) at discharge. Staff surgeons prescribed Tylenol 3 more frequently than other opioids. Twenty (51%) of 39 staff surgeons reported that they sought further help for their patients when an opioid use disorder was suspected. Conclusion: Our results support existing studies showing a large degree of variability in postoperative opioid prescribing. Institutional guidelines have been shown to be effective in curbing excessive opioid prescribing without increasing unnecessary emergency department visits for uncontrolled pain. Thus, there is an opportunity to develop institutional guidelines to educate surgical teams in the prescribing of opioids and about services available for patients with a substance use disorder.
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 | 0,000 | 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 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 ».