Use of Drug Claims Data and a Medication Risk Score to Assess the Impact of CYP2D6 Drug Interactions among Opioid Users on Healthcare Costs
Notice bibliographique
Résumé
Cytochrome P450 2D6 (CYP2D6) activity is highly variable due to several factors, including genetic polymorphisms and drug-drug-gene interactions. Hydrocodone, oxycodone, codeine, and tramadol the most commonly prescribed CYP2D6-activated opioids for pain. However, the co-administration of CYP2D6 interacting drugs can modulate CYP2D6-medicated activation of these opioids, affecting drug analgesia, effectiveness, and safety, and can impact healthcare costs. A retrospective, observational cohort analysis was performed in a large (n = 50,843) adult population. This study used drug claims data to derive medication risk scores and matching propensity scores to estimate the effects of opioid use and drug-drug interactions (DDIs) on medical expenditures. 4088 individuals were identified as opioid users; 95% of those were prescribed CYP2D6-activated opioids. Among those, 15% were identified as being at risk for DDIs. Opioid users had a significant increase in yearly medical expenditure compared to non-opioid users ($2457 vs. $1210). In matched individuals, average healthcare expenditures were higher for opioid users with DDIs compared to those without DDIs ($7841 vs. $5625). The derived medication risk score was higher in CYP2D6 opioid users with interacting drug(s) compared to no DDI (15 vs. 12). Higher costs associated with CYP2D6 opioid use under DDI conditions suggest inadequate CYP2D6 opioid prescribing practices. Efforts to improve chronic opioid use in adults should reduce interacting drug combinations, especially among patients using CYP2D6 activated opioids.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».