MétaCan
Menu
Retour à la cohorte
Enregistrement W3090337331 · doi:10.1111/1475-6773.13564

Changes in early high‐risk opioid prescribing practices after policy interventions in Washington State

2020· article· en· W3090337331 sur OpenAlex
Jeanne M. Sears, John R. Haight, Deborah Fulton‐Kehoe, Thomas M. Wickizer, Jaymie Mai, Gary M. Franklin

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueHealth Services Research · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueOpioid Use Disorder Treatment
Établissements canadiensInstitute for Work & Health
Organismes subventionnairesnon disponible
Mots-clésMedicineOpioidMedical prescriptionPopulationPsychological interventionPharmacyEmergency medicineFamily medicineEnvironmental healthInternal medicinePsychiatryNursing

Résumé

récupéré en direct d'OpenAlex

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,131
Score d'incertitude au seuil0,887

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,100
Tête enseignante GPT0,452
Écart entre enseignants0,352 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle