Systematic urine drug testing for detecting and managing opioid misuse among chronic noncancer pain patients in primary care—The HARMS Program: A retrospective chart review of 77 patients
Notice bibliographique
Résumé
The prevalence of opioid abuse has reached an epidemic level. National guidelines recommend safer opioid prescribing practices, including potentially monitoring patients with urine drug testing (UDT). There is limited research evidence sur-rounding the use of UDT in the context of chronic noncancer pain (CNCP). We evaluated the efficacy of systematic, randomized UDT to detect and manage opioid misuse among patients with CNCP in primary care. The Marathon Family Health Team (MFHT) designed and implemented a clinic-wide, randomized UDT program called the HARMS (High-yield Approach to Risk Mitigation and Safety) Program. This retrospective chart review includes 77 CNCP patients being pre-scribed opioids, who were initially stratified by their prescriber as "low-risk." Each month, 10 percent of patients were selected for a random UDT with double testing (immunoassay and liquid chromatography-mass spectrometry). The pri-mary outcome measure was UDT leading to a change in management plan. Of the 77 patients in the study, 55 (71 per-cent) completed at least one UDT during the 12-month study period. Overall, 22 patients had aberrant results. UDT led directly to changes in management in 15 of those patients. Four of those 15 patients were escalated to an addictions program, two were tapered from opioids with informed discussion, and nine were escalated to the high-risk monitoring stream. The results of this study show that in low-risk CNCP patients prescribed opioids, applying systematic UDT in a primary care setting is effective for detecting high risk behaviors and addiction, and altering management. Further re-search is needed with larger numbers using a prospective study design.
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) | 0,001 | 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 ».