Sex-related differences in opioid administration in the emergency department: a population-based study
Notice bibliographique
Résumé
BACKGROUND: Sex differences in pain experience and expression may influence ED pain management. Our objective was to evaluate the effect of sex on ED opioid administration. METHODS: We conducted a multicentre population-based observational cohort study using administrative data from Calgary's four EDs between 2017 and 2018. Eligible patients had a presenting complaint belonging to one of nine pain categories or an arrival pain score >3. We performed multivariable analyses to identify predictors of opioid administration and stratified analyses by age, pain severity and pain category. RESULTS: We studied 119 510 patients (mean age 47.4 years; 55.4% female). Opioid administration rates were similar for men and women. After adjusting for age, hospital site, pain category, ED length of stay and pain severity, male sex was not a predictor of opioid treatment (adjusted OR (aOR)=0.93; 95% CI 0.85 to 1.02). However, men were more likely to receive opioids in the categories of trauma (aOR=1.58, 95% CI 1.40 to 1.78), flank pain (aOR=1.24, 95% CI 1.11 to 1.38), headache (aOR=1.18, 95% CI 1.03 to 1.34) and abdominal pain (aOR=1.11, 95% CI 1.08 to 1.18). Pain category appears to be a strong determinant of opioid administration, especially back pain (aOR=6.56, 95% CI 5.99 to 7.19) and flank pain (aOR=6.04, 95% CI 5.48 to 6.65). There was significant variability in opioid provision by ED site (aOR 0.76 to 1.24). CONCLUSIONS: This population-based study demonstrated high variability in opioid use across different settings. Overall, men and women had similar likelihood of receiving opioids; however men with trauma, flank pain, headache and abdominal pain were much more likely to receive opioids. ED physicians should self-examine their analgesic practices with respect to possible sex biases, and departments should introduce evidence-based, indication-specific analgesic protocols to reduce practice variability and optimise opioid analgesia.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».