A Prospective Analysis of Opioid Prescription, Consumption, and Psychometric Correlations in Outpatient Plastic Surgery Procedures
Notice bibliographique
Résumé
Background: Understanding opioid prescription, consumption, and the factors related to these is important to prescribe opioids responsibly. Our primary purpose is to determine the factors predicting opioid prescription, and the secondary purpose is to examine the factors predicting opioid tablet consumption. Methods: A prospective cohort was evaluated using 2 surveys. The primary outcome was type of prescription given (opioid vs non-opioid). The secondary outcome was the number of opioid tablets consumed at the second survey. Demographics, the pain catastrophizing scale, and patient health questionnaire-4 (PHQ-4) for depression and anxiety were collected. Statistics included Chi-Square, student's t-test, univariable, and multivariate regression analyses. Results: Four hundred and forty patients completed the first survey, of which 193 completed the second. Two-hundred and fourteen (49%) patients received an opioid prescription. Opioids were given most often after: surgery in the main operating room (OR 23.6 [10.0-55.2]), breast or abdomen (OR 11.1 [1.2-101.1]), upper limb (OR 4.0 [1.7-9.3]), and less often after dermatologic surgery (OR 0.2 [0.1-0.5]). Among patients who received opioids, a mean of 10 opioid tablets were consumed at the post-operative survey. More tablets were consumed when: age was less than 60 ( P < .05), with pre-operative opioid use ( P = .03), and with a high score on the PHQ-4 ( P = .002). Conclusions: The patterns of opioid prescription and consumption after outpatient Plastic Surgery are elucidated. Plastic surgeons over-estimate patients’ opioid requirements. Potentially less opioids could be prescribed in the minor procedure room without an increase in pain crises. Public health campaigns should focus on the proper disposal of unused opioid tablets.
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 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,005 | 0,006 |
| 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 ».