Sociodemographic and Clinical Predictors of Prescription Opioid Use in a Longitudinal Community-Based Cohort Study of Middle-Aged and Older Adults
Notice bibliographique
Résumé
Objectives: Identifying factors associated with opioid use in middle-aged and older adults is a fundamental step in the mitigation of potentially unnecessary opioid consumption and opioid-related harms. Methods: Using longitudinal data on a community-based cohort of adults aged 50-90 years residing in Johnston County, North Carolina, we examined sociodemographic and clinical factors in non-opioid users (n = 786) at baseline (2006-2010) as predictors of opioid use at follow-up (2013-2015). Variables included age, sex, race, obesity, educational attainment, employment status, household poverty rate, marital status, depressive symptoms, social support, pain catastrophizing, pain sensitivity, insurance status, polypharmacy, and smoking status. Results: At follow-up, 13% of participants were using prescription opioids. In the multivariable model, high pain catastrophizing (adjusted odds ratio; 95% confidence interval = 2.14; 1.33-3.46), polypharmacy (2.08; 1.23-3.53), and history of depressive symptoms (2.00; 1.19-3.38) were independent markers of opioid use. Discussion: Findings support the assessment of these modifiable factors during clinical encounters in patients ≥ 50 years old with chronic pain.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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 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 ».