Prescription patterns of opioids and non‐steroidal anti‐inflammatory drugs in the first year after living kidney donation: An analysis of U.S. Registry and Pharmacy fill records
Notice bibliographique
Résumé
Abstract We examined a novel database linking national donor registry identifiers to records from a US pharmaceutical claims warehouse (2007‐2015) to describe opioid and NSAID prescription patterns among LKDs during the first year postdonation, divided into three periods: 0‐14 days, 15‐182 days, and 183‐365 days. Associations of opioid and NSAID prescription fills with baseline factors were examined by logistic regression (adjusted odds ratio, LCL aOR UCL ). Among 23,565 donors, opioid prescriptions were highest during days 0‐14 (36.6%), but 12.6% of donors filled opioids during days 183‐365. NSAID prescriptions rose from 0.5% during days 0‐14 to 3.3% during days 183‐365. Women filled opioids more commonly than men, and black donors filled both opioids and NSAIDs more commonly than white donors. After covariate adjustment, significant correlates of opioid prescription fills during days 183‐365 included obesity (aOR, 1.24 1.38 1.53 ), less than college education (aOR, 1.19 1.31 1.43 ), smoking (aOR, 1.33 1.45 1.58 ), and nephrectomy complications (aOR, 1.11 1.29 1.49 ). NSAID prescription fills in year 1 were not associated with differences in estimated glomerular filtration rate, incidence of proteinuria or new‐onset hypertension at the first and second year postdonation. Prescription fills for opioids and NSAIDs for LKDs varied with demographic and clinic traits. Future work should examine longer‐term outcome implications to help inform safe analgesic regimen choices after donation.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».