Opioid prescribing practices in breast oncologic surgery—A retrospective cohort study
Notice bibliographique
Résumé
BACKGROUND: In breast oncologic surgery, 75% of patients receive a postoperative opioid prescription at discharge, and 10%-20% will develop persistent opioid use. To inform future institutional guidelines, the objective of this study was to determine baseline opioid prescribing patterns in a single high-volume, referral-based breast center. We hypothesized that opioid prescribing practices varied between procedures and operating surgeons. METHODS: A retrospective analysis of all women undergoing breast cancer surgery between January and December 2019. Opioid prescriptions at discharge were converted to morphine milligram equivalents (MME). The primary outcome of interest was MME prescribed at discharge. Multiple linear regression was used to identify factors independently associated with MME prescribed. RESULTS: 392 patients met inclusion criteria; 68.3% underwent partial mastectomy. Median age was 61 (interquartile range [IQR] 51-70). Median MME prescribed at discharge was 112.5 (IQR 75-150); 83.9% of patients were prescribed co-analgesia. The prescriber was a trainee in 37.7% of cases. 15 patients (3.8%) required opioid renewal. On multivariate analysis, axillary procedure was associated with increased MME (ß = 17, 95% CI 5.5-28 and ß = 32, 95% CI 17-47, for sentinel node and axillary dissection, respectively). However, the factor with the greatest impact on MME was operating surgeon (ß = 72, 95% CI 58-87). Residents prescribed less MME compared to attending surgeons (ß = 11, 95% CI -22; -0.06). CONCLUSION: In a tertiary care center, the operating surgeon had the greatest influence on opioid prescribing practices, and trainees tended to prescribe less MME. These findings support the need for a standardized approach to optimize prescribing and reduce opioid-related harms after oncologic breast surgery.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».