Defining opioid naïve and implications for monitoring opioid use: A population‐based study in Alberta, Canada
Notice bibliographique
Résumé
PURPOSE: Reducing initial exposure of "opioid naïve" patients to opioids is a public health priority. Identifying opioid naïve patients is difficult, as numerous definitions are used. The objective is to summarize current definitions and evaluate their impact on opioid naïve measures in Alberta. METHODS: An exploratory data analysis of the literature was conducted over the last 10 years to identify definitions commonly used in the literature to define opioid naïve. Then, using these definitions as a guide, we descriptively report the proportion of patients in Alberta between 2017 and 2021 who would be considered as opioid naïve using these definitions and all opioid dispensing data. RESULTS: Three categories of definitions were broadly identified: (1) no opioid use within the previous 30 days/6 months/1 year, based on dispensation date; (2) no opioid use based on dispensation date plus days of supply; and, (3) exclusion of codeine from Definitions 1 and 2. Applying these definitions to the Alberta population showed a very wide range in the proportion who would be considered as opioid naïve. Overall, 36.4% of Albertans (n = 1 551 075) had an opioid dispensation in 2017-2021. The average age was 46.6 ± 18.8 and 52.8% were female. The proportion of opioid naïve were most affected by the "opioid free" period, with 97.4%, 83.2%, and 65.6% being classified as opioid naïve using time windows from Definition 1 (30 days, 6 months, 1 year of no prior opioid use). Definitions 2 and 3 did not materially change the results. Further extending the "opioid free" period to 2 years showed only 35% were opioid naïve. CONCLUSIONS: The most convenient definition for "opioid naïve" was the use of an "opioid free" period. The choice of window would depend on how the information may be used to assistant in clinical decisions with longer windows more likely to reflect true opioid naïve patients. Irrespective of definition used, a large proportion of opioid users would be considered opioid naïve in Alberta.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».