Comprehensive Analysis of Opioid Use After Common Elective Outpatient Orthopaedic Surgeries
Notice bibliographique
Résumé
BACKGROUND: Prescription opioid abuse remains an ongoing public health crisis, especially in orthopaedic surgery. The purpose of the present study is to analyze opioid-prescribing patterns and investigate risk factors for prolonged opioid use after common outpatient orthopaedic surgical procedures. METHODS: After institutional review board approval, a review of 1,384 patients undergoing common elective outpatient orthopaedic procedures from January 2018 to June 2019 was conducted. Data on controlled substance prescriptions were obtained from the prescription drug monitoring program website. Statistical analysis was done to identify predictors for a second opioid prescription and prolonged opioid use (>6 months). RESULTS: Over 10% (150/1,384) of patients were still using opioids beyond 6 months. Of the opioid exposed patients, 60.4% (174/288) filled at least 1 additional opioid prescription postoperatively, and 29.2% (84/288) filled prescriptions beyond 6 months, compared with 26.4% (289/1,096) and 6.0% (66/1,096) of opioid-naive patients, respectively. Following multivariate analysis, significant predictors for filling a second opioid prescription included preoperative opioid use, current smoker status, benzodiazepine use, psychiatric disorder, and advanced age. CONCLUSION: This study revealed risk factors for prolonged opioid use after orthopaedic surgery. Surgeons should be mindful of these risk factors and counsel patients regarding postoperative pain management.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,002 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».