Identification of Prenatal Opioid Exposure Within Health Administrative Databases
Notice bibliographique
Résumé
BACKGROUND: Health administrative data offer a vital source of data on maternal prenatal opioid exposure (POE). The impact of different methods to estimate POE, especially combining maternal and newborn records, is not known. METHODS: This population-based cross-sectional study included 454 746 hospital births with linked administrative data in Ontario, Canada, in 2014-2017. POE ascertainment included 3 sources: (1) prenatal opioid prescriptions, (2) maternal opioid-related hospital records, and (3) newborn hospital records with neonatal abstinence syndrome (NAS). Positive percent agreement was calculated comparing cases identified by source, and a comprehensive method was developed combining all 3 sources. We replicated common definitions of POE and NAS from existing literature and compared both number of cases ascertained and maternal socio-demographics and medical history using the comprehensive method. RESULTS: Using all 3 data sources, there were 9624 cases with POE (21.2 per 1000 births). Among these, positive percent agreement (95% confidence interval) was 79.0% (78.2-79.8) for prenatal opioid prescriptions, 19.0% (18.2-19.8) for maternal opioid-related hospital records, and 44.7% (43.7-45.7) for newborn NAS. Compared with other definitions, our comprehensive method identified up to 523% additional cases. Contrasting ascertainment with maternal opioid-related hospital records, newborn NAS, and prenatal opioid prescriptions respective rates of maternal low income were 57%, 48%, and 39%; mental health hospitalization history was 33%, 28%, and 17%; and infant discharge to social services was 8%, 13%, and 5%. CONCLUSIONS: Combining prenatal opioid prescriptions and maternal and newborn opioid-related hospital codes improves identification of a broader population of mothers and infants with POE.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».