Drug utilization patterns before and during COVID-19 pandemic in Manitoba, Canada: A population-based study
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic has led the Canadian provincial governments to take unprecedented measures, including restrictions to healthcare services and pharmacists. Limited evidence exists on changes in prescription trends in Canada during the pandemic period. OBJECTIVES: To examine the trend of prescription medications' utilization before and during COVID-19, among incident and prevalent users in the general population. We examined 18 major classes of medications. METHODS: We used the administrative health databases from the province of Manitoba, Canada, to conduct a province-wide cross-sectional study. Incident and prevalent use was compared between two time periods; pre-COVID-19: July 2016-March 2020 and during COVID-19: April 2020-March 2021. Interrupted time series analysis using autoregressive models was used to quantify the change in level and slope in quarterly medication use among incident and prevalent users. RESULTS: The quarterly study population ranged from 1,353,485 to 1,411,630 Manitobans. The most common comorbidities were asthma (26.67%), hypertension (20.64%), and diabetes (8.31%). On average, the pandemic restrictions resulted in a 45.55% and 12.17% relative decline in the aggregated utilization of all drugs among both incident and prevalent users, respectively. Subclass analysis showed a 46.83%, 23.05%, and 30.98% relative drop among incident users of antibiotics, cardiovascular drugs and opioids use, respectively. We observed a significant slope increase during COVID-19 among the quarterly cardiovascular, antidiabetics, alpha-1 blockers, and statins incident users compared to the pre-COVID-19 period. We noted a significant decrease in level among NSAIDs, opioids, and antibiotic prevalent users, however, no significant changes in slope were observed. CONCLUSION: Our findings show a significant impact of COVID-19 measures on prescription trends in the general population. The observed decline among several medication classes was temporary. Further research is needed to monitor prescription trends and better understand if those changes were associated with increased health services and worsened outcomes.
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 ».