Opioid use for a first-incident upper extremity fracture in 220,440 patients without recent prior use in Ontario, Canada: a retrospective cohort study
Notice bibliographique
Résumé
Objective: To describe opioid use for a first upper extremity fracture in a cohort of patients who did not have recent opioid use. Design: Descriptive epidemiological study. Setting: Emergency Department, Hospital. Patients/Participants: We obtained health administrative data records of adults presenting with a first adult upper extremity fracture from 2013 to 2017 in Ontario, Canada. We excluded patients with previous fractures, opioid prescription in the past 6 months or hospitalization >5 days after the fracture. Intervention: Opioid prescription. Main Outcome Measurements: We identified the proportion of patients filling an opioid prescription within 7 days of fracture. We described this based on different upper extremity fractures (ICD-10), Demographics (age, sex, rurality), comorbidity (Charlson Comorbidity Index, Rheumatoid arthritis, Diabetes), season of injury, and social marginalization (Ontario Marginalization Index-a data algorithm that combines a wide range of demographic indicators into 4 distinct dimensions of marginalization). We considered statistical differences ( P < .01) that reached a standardized mean difference of 10% as being clinically important (standardized mean difference [SMD] ≥ 0.1). Results: From 220,440 patients with a first upper extremity fracture (50% female, mean age 50), opioids were used by 34% of cases overall (32% in males, 36% in females, P< .001, SMD ≥ 0.1). Use varied by body region, with those with multiple or proximal fractures having the highest use: multiple shoulder 64%, multiple regions 62%, shoulder 62%, elbow 38%, wrist 31%, and hand 21%; and was higher in patients who had a nerve/tendon injury or hospitalization (P< .01, SMD ≥ 0.1). Social marginalization, comorbidity, and season of injury had clinically insignificant effects on opioid use. Conclusions: More than one-third of patients who are recent-non-users will fill an opioid prescription within 7 days of a first upper extremity fracture, with usage highly influenced by fracture characteristics. Level of Evidence: Level II
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 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 ».