The influence of undertreated chronic pain in a national survey: Prescription medication misuse among American indians, Asian Pacific Islanders, Blacks, Hispanics and whites
Notice bibliographique
Résumé
OBJECTIVE: Disparities in the assessment and treatment of chronic pain among racial/ethnic may lead to self-treatment for undertreated pain. This study examines whether pain intensity among US racial/ethnic groups' influences rates of psychotherapeutic prescription drug misuse. METHODS: Data included civilian, non-institutionalized adults (age 18-99 years) residing in the United States (n = 34,653) from Waves 1 and 2 of the National Epidemiological Survey on Alcoholism and Related Conditions (NESARC; 2004-2005). The primary outcome variable was prescription drug misuse/PDM (i.e., use without a prescription or other than as prescribed) including tranquilizers, sedatives, stimulants, or opioids. Predictor variables included self-reported race/ethnicity (American Indian, Black, Hispanic, or White) and pain intensity. Data were analyzed in 2019. RESULTS: (1) = 0.65, p = 0.42). PDM rates for Black participants remained lowest of all other racial/ethnic groups and plateaued with increasing pain intensity. CONCLUSIONS: Our results indicate that undertreated chronic pain may drive rates of PDM among varying racial/ethnic groups. Providing equitable assessment and treatment of pain intensity remains critical. Additional research is needed to examine provider decision-making and unconscious bias, as well as patient health beliefs surrounding perceived need for prescription pain medications.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 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 ».