Perceptions of Signs of Addiction Among Opioid Naive Patients Prescribed Opioids in the Emergency Department
Notice bibliographique
Résumé
OBJECTIVES: Patient knowledge deficits related to opioid risks, including lack of knowledge regarding addiction, are well documented. Our objective was to characterize patients' perceptions of signs of addiction. METHODS: This study utilized data obtained as part of a larger interventional trial. Consecutively discharged English-speaking patients, age >17 years, at an urban academic emergency department, with a new opioid prescription were enrolled from July 2015 to August 2017. During a follow-up phone interview 7 to 14 days after discharge, participants were asked a single question, "What are the signs of addiction to pain medicine?" Verbatim transcribed answers were analyzed using a directed content analysis approach and double coding. These codes were then grouped into themes. RESULTS: There were 325 respondents, 57% female, mean age 43.8 years, 70.1% privately insured. Ten de novo codes were added to the 11 DSM-V criteria codes. Six themes were identified: (1) effort spent acquiring opioids, (2) emotional and physical changes related to opioid use, (3) opioid use that is "not needed, (4) increasing opioid use, (5) an emotional relationship with opioids, and (6) the inability to stop opioid use. CONCLUSIONS: Signs of addiction identified by opioid naive patients were similar to concepts identified in medical definitions. However, participants' understanding also included misconceptions, omissions, and conflated misuse behaviors with signs of addiction. Identifying these differences will help inform patient-provider risk communication, providing an opportunity for counseling and prevention.
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 | 0,000 | 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) | 0,002 | 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 ».