A Retrospective Cohort Study Comparing In-Person and Telemedicine-Based Opioid Agonist Treatment in Ontario, Canada, Using Administrative Health Data
Notice bibliographique
Résumé
BACKGROUND: This study evaluated how telemedicine as a modality for opioid agonist treatment compares to in-person care. METHODS: We conducted a retrospective cohort study of patients enrolled in opioid agonist treatment between January 1, 2011, and December 31, 2015, in Ontario, Canada. We compared patients who received opioid agonist treatment predominantly in person, mixed, and predominantly by telemedicine. We used a logistic regression model to evaluate mortality, a Cox proportional hazard model to assess retention, and a negative binomial regression model to evaluate emergency department visits and hospitalizations. The study was performed using administrative health data with physician billing data from the Ontario Health Insurance Plan and prescription data from the Ontario Drug Benefit databases. RESULTS: A total of 55,924 individuals were included in the study. Receiving opioid agonist treatment by predominantly telemedicine was not associated with all-cause mortality (OR = 0.9, 95% CI: 0.8-1.0), 1-year treatment retention (OR = 1.0, 95% CI: 0.9-1.1), or opioid-related emergency department visits and hospitalizations when compared to in-person care. The rate of emergency department visits (IRR = 1.4), the rate of mental health-related emergency department visits (IRR = 1.5), and the rate of mental health-related hospitalizations per year (IRR = 1.2) was higher for patients who received opioid agonist treatment predominantly by telemedicine compared to in person. CONCLUSION: Our findings support the conclusion that telemedicine is equal to in-person care regarding mortality opioid-related emergency department visits and retention, and is a viable option for those seeking opioid agonist treatment.
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 | 0,001 | 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 | 0,001 |
| 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 ».