The influence of prescriber and patient gender on the prescription of benzodiazepines: results from the Florida Medicaid Dataset
Notice bibliographique
Résumé
BACKGROUND: Benzodiazepine (BZD) prescription rates have increased over the past decade in the United States. Available literature indicates that sociodemographic factors may influence diagnostic patterns and/or prescription behaviour. Herein, the aim of this study is to determine whether the gender of the prescriber and/or patient influences BZD prescription. METHODS: Cross-sectional study using data from the Florida Medicaid Managed Medical Assistance Program from January 1, 2018 to December 31, 2018. Eligible recipients ages 18 to 64, inclusive, enrolled in the Florida Medicaid plan for at least 1 day, and were dually eligible. Recipients either had a serious mental illness (SMI), or non-SMI and anxiety. RESULTS: Total 125 463 cases were identified (i.e., received BZD or non-BZD prescription). Main effect of patient and prescriber gender was significant F(1, 125 459) = 0.105, P = 0 .745, partial η2 < 0.001. Relative risk (RR) of male prescribers prescribing a BZD compared to female prescribers was 1.540, 95% confidence intervals (CI) [1.513, 1.567], whereas the RR of male patients being prescribed a BZD compared to female patients was 1.16, 95% CI [1.14, 1.18]. Main effects of patient and prescriber gender were statistically significant F(1, 125 459) = 188.232, P < 0.001, partial η2 = 0.001 and F(1, 125 459) = 349.704, P < 0.001, partial η2 = 0.013, respectively. CONCLUSIONS: Male prescribers are more likely to prescribe BZDs, and male patients are more likely to receive BZDs. Further studies are required to characterize factors that influence this gender-by-gender interaction.
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) | 0,000 | 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 ».