Opioid Education and Prescribing Practices
Notice bibliographique
Résumé
BACKGROUND: Lack of training among health care providers (HCPs) to safely prescribe opioids is a contributing factor to the opioid crisis. Training and other resources have been developed to educate providers about safe and appropriate opioid prescribing practices. METHOD: The national survey was conducted with 2000 HCPs representing primary care physicians (PCPs), including family practice, general practice, and internal medicine; specialists (SPs); physician assistants (PAs); and nurse practitioners (NPs), a mix of primary care and specialists. This survey examined exposure to opioid educational information and opioid prescribing. RESULTS: PCPs reported prescribing opioids for chronic pain to significantly more patients compared with other HCP groups. PCPs (89.8%) and NPs (85.5%) reported significantly greater exposure to opioid educational information compared with both SPs (71.9%) and PAs (78.8%). Overall, HCPs had limited knowledge about abuse-deterrent formulations, but PCPs had greater knowledge than other groups. HCPs had an increased likelihood of prescribing opioids to fewer patients in the last 3 months relative to the prior 12 months if they worked in a state or county clinic vs a solo or group practice type (adjusted odds ratio [AOR] = 1.97; 95% confidence interval [CI], 1.12-3.49) and were exposed to more opioid educational information during the last 12 months (AOR = 1.19; 95% CI, 1.06-1.32). DISCUSSION: HCPs' exposure to opioid educational information was associated with less opioid prescribing for chronic pain. Findings indicated a difference in exposure and knowledge gaps across provider groups. More information is needed on the content of opioid educational information provided to HCPs.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».