Feasibility and validity of using healthcare databases to conduct cross‐national comparative studies of opioid use, its determinants and consequences
Notice bibliographique
Résumé
PURPOSE: A cross-national comparative (CNC) study about opioid utilization would allow the identification of strategies to improve pain management and mitigate risk. However, little is known about the accessibility and validity of information in healthcare databases internationally. This study aimed to identify the feasibility of using healthcare databases to conduct a CNC study of opioid utilization and its associated consequences. METHODS: A cross-sectional survey was launched in March 2018, including experts interested in CNC studies comparing opioid utilization by purposeful sampling. An electronic survey was used to collect database characteristics, medicine information, and linkage information of each aggregate-level dataset (AD) and individual patient-level dataset (IPD). RESULTS: Overall, participants from 21 geographical regions reported 18 ADs and 19 IPDs. Information on dispensed medications is available from 17 ADs and 17 IPDs. Of the 16 ADs that include primary care settings, only 9 ADs can obtain information from secondary care settings. Fourteen IPDs included patients' characteristics or could be retrieved from linkage databases. Although most ADs are publicly accessible (n = 13), only five IPDs can be accessed without extra cost. CONCLUSION: Most ADs could be used to report opioid utilization in a primary care setting. IPDs with linkage databases should be applied to identify potential determinants, clinical outcomes, and policy impact. Data access restrictions and governance policies across jurisdictions can be challenging for timely analysis and require further collaboration.
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 | 0,463 | 0,541 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,009 | 0,015 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,008 | 0,010 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».