Time Trends in Opioid Use Disorder Hospitalizations in Gout, Rheumatoid Arthritis, Fibromyalgia, Osteoarthritis, and Low Back Pain
Notice bibliographique
Résumé
OBJECTIVE: To examine opioid use disorder (OUD)-related hospitalizations and associated healthcare utilization outcomes in people with 5 common musculoskeletal diseases (MSD). METHODS: We used the US National Inpatient Sample (NIS) data from 1998 to 2014 to examine the rates of OUD hospitalizations (per 100,000 NIS claims overall), time trends, and outcomes in 5 common rheumatic diseases: gout, rheumatoid arthritis (RA), fibromyalgia (FM), osteoarthritis (OA), and low back pain (LBP). RESULTS: OUD hospitalization rate per 100,000 total NIS claims in 1998-2000 vs 2015-2016 (and increase) were as follows: gout, 0.05 vs 1.88 (36-fold); OA, 0.68 vs 10.22 (14-fold); FM, 0.53 vs 6.98 (12-fold); RA, 0.30 vs 3.16 (9.5-fold); and LBP, 1.17 vs 7.64 (5.5-fold). The median hospital charges and hospital stays for OUD hospitalizations were as follows: gout, $18,363 and 2.5 days; RA, $17,398 and 2.4 days; FM, $15,772 and 2.1 days; OA, $16,795 and 2.4 days; and LBP, $13,722 and 2.0 days. In-hospital mortality rates ranged from 0.9% for LBP and FM to 1.7% for gout with OUD hospitalizations. Compared to those without each MSD, age-, sex-, race-, and income-adjusted total hospital charges (inflation-adjusted) for OUD hospitalizations with each rheumatic disease were as follows: gout, $697 higher; OA, $4759 lower; FM, $2082 lower; RA, $1258 lower; and LBP, $4944 lower. CONCLUSION: OUD hospitalizations increased in all 5 MSD studied, but the rate of increase differed. Awareness of these OUD hospitalization trends in 5 MSD among providers, policy makers, and patients is important. Development and implementation of interventions, policies, and practices to potentially reduce OUD-associated effects in people with rheumatic diseases is needed.
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) | 0,001 | 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 ».