International trends in prescription opioid sales among developed and developing economies, and the impact of the <scp>COVID</scp>‐19 pandemic: A cross‐sectional analysis of 66 countries
Notice bibliographique
Résumé
PURPOSE: We sought to compare trends in opioid purchasing between developed and developing economies to understand patterns of opioid consumption, and how they were impacted by the COVID-19 pandemic. METHODS: We conducted a retrospective cross-sectional study of retail pharmacy opioid sales from 66 jurisdictions between July 2014 and August 2020. We measured monthly population-adjusted rate of opioid units purchased, stratified by development group and country, and used interventional time series analysis to assess the impact of the COVID-19 pandemic on rates of opioid purchasing among developed and developing economies separately. RESULTS: Rates of opioid purchasing were generally higher among developed economies, although trends differed considerably by development group. Rates of opioid purchasing declined 23.8% (95% confidence interval [CI] -34.7% to 3.6%) in the 5 years prior to the pandemic in developed economies, but rose 15.2% (95% CI 4.6%-35.6%) among developing economies. In March 2020 there was a short-term increase in the rate of opioid purchases in both developing (10.9 units/1000 population increase; p < 0.0001) and developed (145.5 units/1000 population; p < 0.0001) economies, which was followed immediately by reduced opioid purchasing of a similar scale in April-May 2020 (-14.8 and -171.8 units/1000 population in developing and developed economies, respectively; p < 0.0001). CONCLUSION: The COVID-19 pandemic led to disruptions in opioid purchasing around the world; although the specific impacts varied both between and among developed and developing economies. With global variation in opioid use, there is a need to monitor these trajectories to ensure the safety of opioid use, and adequate access to pain management globally.
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 | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 ».