The Role of the Medical School Training on Physician Opioid Prescribing Practices: Evidence from Ontario, Canada: Le rôle de la formation à la faculté de médecine à l’égard des pratiques de prescription d’opioïdes des médecins: données probantes d’Ontario, Canada
Notice bibliographique
Résumé
Background: Recent research found that physicians who completed medical school training at top-ranked U.S. medical schools prescribed fewer opioids than those trained at lower ranked schools, suggesting that physician training may play a role in the opioid epidemic. We replicated this analysis to understand whether this finding holds for Ontario, Canada. Methods: We used data on all opioid prescriptions written by Ontario physicians between 2013 and 2017 from the Narcotics Monitoring System. Using the Corporate Provider Database and ICES Physician Database, which contain medical school of training, we linked patients who filled opioid prescriptions with their respective prescribing physician. Available data on Canadian medical school rankings were obtained from Maclean’s news magazine. We used regression analysis to assess the relationship between number of opioid prescriptions and medical school ranking. Results: Compared to the United States, average annual number of opioid prescriptions per physician was lower in Ontario (236 vs. 78). Unlike the United States, we found little evidence that physicians trained at lower ranked medical schools prescribed more than their top-ranked school counterparts after controlling for specialty and location of practice. However, primary care physicians trained at non-English-speaking foreign schools prescribed the most opioids even after excluding opioid maintenance therapy–related prescriptions. Conclusion: The role of medical school training on opioid prescribing patterns among Ontario physicians differs from that in the United States likely due to greater homogeneity of curricula among Canadian schools. Ensuring physicians trained abroad receive additional pain management/addiction training may help address part of the opioid epidemic in Ontario.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».