Patterns, trends and determinants of medical opioid utilization in Canada 2005–2020: characterizing an era of intensive rise and fall
Notice bibliographique
Résumé
BACKGROUND: Into the 21st century, the conflation of high rates of chronic pain, systemic gaps in treatment availability and access, and the arrival of potent new opioid medications (e.g., slow-release oxycodone) facilitated strong increases in medical opioid dispensing in Canada. These persisted until post-2010 alongside rising opioid-related adverse (e.g., morbidity/mortality) outcomes. We examine patterns, trends and determinants of opioid dispensing in Canada, and specifically its 10 provinces, for the years 2005-2020. METHODS: Raw data on prescription opioid dispensing were obtained from a large national community-based pharmacy database (IQVIA/Compuscript), converted into Defined-Daily-Doses/1,000 population/day for 'strong' and 'weak' opioid categories per standard methods. Dispensing by opioid category and formulations by province/year was assessed descriptively; regression analysis was applied to examine possible segmentation of over-time strong opioid dispensing. RESULTS: All provinces reported starkly increasing strong opioid dispensing peaking 2011-2016, and subsequent marked declines. About half reported lower strong opioid dispensing in 2020 compared to 2005, with continuous inter-provincial differences of > 100 %; weak opioids also declined post-2011/12. Segmented regression suggests breakpoints for strong opioids in 2011/12 and 2015/16, coinciding with main interventions (e.g., selective opioid delisting, new prescribing guidelines) towards more restrictive opioid utilization control. CONCLUSIONS: We characterized an era of marked rise and fall, while featuring stark inter-provincial heterogeneity in opioid dispensing in Canada. While little evidence for improvements in pain care outcomes exists, the starkly inverting opioid utilization have been associated with extensive population-level harms (e.g., misuse, morbidity, mortality) over-time. This national case study raises fundamental questions for opioid-related health policy and practice.
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 | 0,001 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».