Changes in early high‐risk opioid prescribing practices after policy interventions in Washington State
Notice bibliographique
Résumé
OBJECTIVE: To test associations between several opioid prescribing policy interventions and changes in early (acute/subacute) high-risk opioid prescribing practices. DATA SOURCES: Population-based workers' compensation pharmacy billing and claims data, Washington State Department of Labor and Industries (January 2008-June 2015). STUDY DESIGN: We used interrupted time series analysis to test associations between three policy intervention timepoints and monthly proportions of population-based measures of high-risk, low-risk, and any workers' compensation-related opioid prescribing. We also tested associations between the policy intervention timepoints and five high-risk opioid prescribing indicators among workers prescribed any opioids within 3 months after injury: (a) >7 cumulative (not necessarily consecutive) days' supply of opioids during the acute phase, (b) high-dose opioids, (c) concurrent sedatives, (d) chronic opioids, and (e) a composite high-risk opioid prescribing indicator. PRINCIPAL FINDINGS: Within 3 months after injury, 9 percent of workers were exposed to high-risk and 12 percent to low-risk workers' compensation-related opioid prescribing; 79 percent filled no workers' compensation-related opioid prescription. Among workers prescribed any early (acute/subacute) opioids, the indicator for >7 days' supply of opioids during the acute phase was present for 30 percent, high-dose opioids for 18 percent, concurrent sedatives for 3 percent, and chronic opioids for 2 percent. Beyond a general shift toward more infrequent and lower-risk workers' compensation-related opioid prescribing, each policy intervention timepoint was significantly associated with reductions in specific acute/subacute high-risk opioid prescribing indicators; each of the four specific high-risk opioid prescribing indicators had significant reductions associated with at least one policy. CONCLUSIONS: Several state-level opioid prescribing policies were significantly associated with safer workers' compensation-related opioid prescribing practices during the first 3 months after injury (acute/subacute phase), which should in turn reduce transition to chronic opioids and associated negative health outcomes.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».