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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».