A regional approach to reduce postoperative opioid prescribing in Ontario, Canada
Notice bibliographique
Résumé
BACKGROUND: Opioid-related morbidity and mortality continue to rise in the province of Ontario. We implemented a provincial campaign to reduce the number of opioid pills prescribed at discharge after surgery in the Ontario Surgical Quality Improvement Network (ON-SQIN). METHODS: Activities related to the provincial campaign were implemented between April 2019 and March 2020 and between October 2020 and March 2021. Self-reported data from participating hospitals were used to determine changes in postoperative opioid prescribing patterns across participating hospitals. RESULTS: A total of 33 and 26 hospitals participated in the provincial campaign in the first and second year, respectively. During the first year of the campaign, the median morphine equivalent (MEQ) from opioid prescriptions decreased significantly in a number of surgical specialties, including General Surgery (from 105 [75-130] to 75 [55-107], P < 0.001) (median, interquartile range) and Orthopedic Surgery (from 450 [239-600] to 334 [167-435], P < 0.001). The median number of opioid pills prescribed at discharge per surgery also decreased significantly, from 25 (15-53) to 15 (11-38) for 1 mg hydromorphone (P < 0.001) and 25 (20-51) to 20 (15-30) for oxycodone (P < 0.001). The decrease in opioid prescriptions continued in the second year of the campaign. CONCLUSIONS: Our approach resulted in a significant reduction in the number of postoperative opioids prescribed across a number of surgical specialties. Our findings indicate that evidence-based strategies derived from a regional collaborative network can be leveraged to promote and sustain quality improvement activities.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».