Identifying Prenatal Opioid Exposure in Health Administrative Data for Public Health Surveillance and Epidemiologic Research
Notice bibliographique
Résumé
IntroductionAccurate estimation of prenatal opioid exposure (POE) is needed for population-based surveillance & research but can be challenging with health administrative data due to varying definitions & methods. Prior research has relied primarily on infant records with a diagnosis of neonatal abstinence syndrome (NAS).
 Objectives and Approach1) Evaluate the impact of using different definitions of maternal opioid use in the estimation of POE; 2) Investigate whether maternal characteristics vary by the type of definition used. Population-based cross-sectional study of all hospital births (N= 454,746) from 2014-2017 in Ontario, Canada. Multiple linked population-based health administrative databases were used to identify opioid-related pre- & perinatal Emergency Department visits & hospitalizations & opioid prescriptions. We examined how pre-conception & in-pregnancy maternal characteristics varied by using different approaches to ascertain POE.
 ResultsThere were 9624 live/still births with POE. Ascertainment of POE was highest using maternal prescription drug data (79%) & infant hospital records with NAS (45%). Maternal characteristics varied by data source used for POE ascertainment. Opioid-related health care during pregnancy identified a high-risk phenotype, contrasted with those ascertained through prescription data, with respective rates of 64% vs. 54% for social assistance, 37% vs. 12% for polydrug use, 23% vs. 6% for alcohol use, 26% vs. 19% for 3+ live births, 13% vs. 5% for victim of violence, 12% vs. 6% for involvement in criminal justice system & 64% vs. 17% for mental health & addictions hospital care.
 Conclusion / ImplicationsPOE ascertainment differs by health administrative data source & ability to link both across maternal records and with infant. Prescription drug data identified the highest number of opioid-exposed births and, with linked healthcare records, is useful to identify illicit opioid use & additional risk factors. Clinically meaningful differences in maternal characteristics of opioid users exist by POE ascertainment method.
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 | 0,018 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».