Increasing Trends in Opioid Use From 2010 to 2018 in the Region of Valencia, Spain: A Real-World, Population-Based Study
Notice bibliographique
Résumé
Background: The opioid epidemic has been extensively documented in the United States and Canada, but fewer data are available for Europe. Aim: To describe the trends in opioid use—volume of prescriptions, dosage and number of patients treated—in a Spanish population with more than 4.2 million inhabitants aged 18 years and older. Patients and Methods: Population-based cross-sectional analysis of opioid prescription in adults (≥18 years) from January 1, 2010 to December 31, 2018 in the region of Valencia, Spain. Outcomes were estimated on an annual basis: number of prescriptions, prescription rate per 100 inhabitants, dosage per capita (morphine mg equivalents, MME/c) and volume of patients treated (overall and by drug). Results: Over the study period, 2,107,756 unique patients were prescribed more than 35 million total treatments. The yearly number of treatments doubled, and total MME/c showed almost a threefold increase. Fentanyl MME/c more than tripled, accounting for 34.4% of the total MME/c in 2018. Oxycodone MME/c showed a 10-fold increase, while tapentadol, launched in 2011, showed the highest growth rates. The annual number of patients receiving at least one opioid prescription more than doubled, from 335,379 in 2010 to 722,838 in 2018. Conclusions: Even if proportions still seem far from epidemic, urgent research is warranted on the observed patterns of use, their appropriateness and their association with health and safety outcomes, especially for high-use and high-strength drugs.
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 | 0,001 | 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 ».