Incidence of persistent postoperative opioid use in patients undergoing ambulatory surgery: a retrospective cohort study
Notice bibliographique
Résumé
The opioid crisis remains a major public health concern. In ambulatory surgery, persistent postoperative opioid use is poorly described and temporal trends are unknown. A population-based retrospective cohort study was undertaken in Ontario, Canada using routinely collected administrative data for adults undergoing ambulatory surgery between 1 January 2013 and 31 December 2017. The primary outcome was persistent postoperative opioid use, defined using best-practice methods. Multivariable generalised linear models were used to estimate the association of persistent postoperative opioid use with prognostic factors. Temporal trends in opioid use were examined using monthly time series, adjusting for patient-, surgical- and hospital-level variables. Of 340,013 patients, 44,224 (13.0%, 95%CI 12.9-13.1%) developed persistent postoperative opioid use after surgery. Following multivariable adjustment, the strongest predictors of persistent postoperative opioid use were pre-operative: utilisation of opioids (OR 9.51, 95%CI 8.69-10.39); opioid tolerance (OR 88.22, 95%CI 77.21-100.79); and utilisation of benzodiazepines (OR 13.75, 95%CI 12.89-14.86). The time series model demonstrated a small but significant trend towards decreasing persistent postoperative opioid use over time (adjusted percentage change per year -0.51%, 95%CI -0.83 to -0.19%, p = 0.003). More than 10% of patients who underwent ambulatory surgery experienced persistent postoperative opioid use; however, there was a temporal trend towards a reduction in persistent opioid use after surgery. Future studies are needed that focus on interventions which reduce persistent postoperative opioid use.
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 | 0,000 |
| 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 ».