Long-Term Opioid Therapy Among Patients With Systemic Lupus Erythematosus in the Community: A Lupus Midwest Network (LUMEN) Study
Notice bibliographique
Résumé
OBJECTIVE: There is little information about the epidemiology and factors associated with opioid therapy in systemic lupus erythematosus (SLE). We aimed to assess the prevalence of opioid therapy and explore factors associated with long-term opioid therapy (LTOT) in patients with SLE. METHODS: Patients with SLE were matched with controls without SLE in a population-based cohort on January 1, 2015. We captured demographics, manifestations of SLE, comorbidities (ie, fibromyalgia, mood disorders, osteoarthritis, chronic low back pain [CLBP], chronic kidney disease (CKD), avascular necrosis, osteoporosis, fragility fractures, and cancer), and the Area Deprivation Index (ADI). Opioid prescription data were used to assess the prevalence of LTOT, defined as contiguous prescriptions (gaps of < 30 days between prescriptions) and receiving opioid therapy for ≥ 90 days or ≥ 10 prescriptions before the index date. RESULTS: < 0.001), and 11% of patients with SLE were on LTOT vs 1% of controls without SLE. Among patients with SLE, acute pericarditis (odds ratio [OR] 3.92, 95% CI 1.78-8.66), fibromyalgia (OR 7.78, 95% CI 3.89-15.55), fragility fractures (OR 3.72, 95% CI 1.25-11.07), CLBP (OR 4.00, 95% CI 2.13-7.51), and mood disorders (OR 2.76, 95% CI 1.47-5.16) were associated with LTOT. We did not find an association between opioid therapy and ADI. CONCLUSION: Patients with SLE are more likely to receive LTOT than controls. Among patients with SLE, LTOT was associated with pericarditis and several comorbidities. However, LTOT was not associated with CKD despite the limited pain control options among these patients.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 ».