Excess Opioid Medication and Variation in Prescribing Patterns Following Common Breast Plastic Surgeries
Notice bibliographique
Résumé
Purpose: Excess opioid prescribing has societal impacts including addiction, dependence, and misuse. This study aims to investigate prescribing patterns and self-reported patient experiences with opioid use, pain control, and disposal of unused medication following common breast surgeries. Methods: A total of 46 patients undergoing 5 breast procedures were identified during a predefined 14-week period. All procedures were carried out at a single tertiary care hospital by 9 plastic surgeons. Provincial narcotic monitoring program provided linked prescription information for identified patients. All patients were invited to participate in a telephone interview regarding postoperative opioid use. Results: A total of 41.6% of patients received and filled an opioid prescription following a breast procedure. Hydromorphone was the most commonly prescribed narcotic. The average number of opioid tablets dispensed following breast procedures was 31.9. Four percent of breast patients required an opioid refill. A total of 75% of breast patients used at least 1 over-the-counter analgesic, most commonly acetaminophen alone. Average self-reported pain score and total pain period were not significantly different between those using opioids and those not. A total of 6.7% and 23.1% of patients report returning excess narcotics to a pharmacy, while the majority report still having or self-disposing of excess tablets. Conclusions: Opioids are prescribed in excess for the breast procedures we analyzed. The majority of unused opioids were noted to still be at home or disposed of inappropriately. This suggests a role for reviewing opioid-prescribing patterns for common plastic surgery procedures to reduce the burden of the ongoing opioid epidemic.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».