MétaCan
Menu
Retour à la cohorte
Enregistrement W4399123011 · doi:10.1001/jamanetworkopen.2024.13698

Government Direct-to-Consumer Education to Reduce Prescription Opioid Use

2024· article· en· W4399123011 sur OpenAlexafffundabout
Justin P. Turner, Alex S. Halme, Patrícia Caetano, Aili Langford, Cara Tannenbaum

Notice bibliographique

RevueJAMA Network Open · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueOpioid Use Disorder Treatment
Établissements canadiensCanadian Agency for Drugs and Technologies in HealthUniversité de MontréalCentre Intégré de Santé et Services Sociaux de la GaspésieInstitut Universitaire de Gériatrie de Montréal
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésMedicineMedical prescriptionDiscontinuationRandomized controlled trialOpioidPharmacyIntervention (counseling)Family medicinePsychiatryInternal medicineNursing

Résumé

récupéré en direct d'OpenAlex

Importance: Direct-to-consumer education reduces chronic sedative use. The effectiveness of this approach for prescription opioids among patients with chronic noncancer pain remains untested. Objectives: To evaluate the effectiveness of a government-led educational information brochure mailed to community-dwelling, long-term opioid consumers to reduce prescription opioid use compared with usual care. Design, Setting, and Participants: This cluster randomized clinical trial was conducted from July 2018 to January 2019 in Manitoba, Canada. All adults with long-term opioid prescriptions were enrolled (n = 4225). Participants were identified via the Manitoba Drug Program Information Network. Individuals receiving palliative care or with a diagnosis of cancer or dementia were excluded. Data were analyzed from July 2019 to March 2020. Intervention: Participants were clustered according to their primary care clinic and randomized to the intervention (a codesigned direct-to-consumer educational brochure sent by mail) or usual care (comparator group). Main Outcomes and Measures: The main outcome was discontinuation of opioid prescriptions at the participant level after 6 months, ascertained by pharmacy drug claims. Secondary outcomes included dose reduction (in morphine milligram equivalents [MME]) and/or therapeutic switch. Reduction in opioid use was assessed using generalized estimating equations to account for clustering, with prespecified subgroup analyses by age and sex. Analysis was intention to treat. Results: Of 4206 participants, 2409 (57.3%) were male; mean (SD) age was 60.0 (14.4) years. Mean (SD) baseline opioid use was comparable between groups (intervention, 157.7 [179.7] MME/d; control, 153.4 [181.8] MME/d). After 6 months, 235 of 2136 participants (11.0%) in 127 clusters in the intervention group no longer filled opioid prescriptions compared with 228 of 2070 (11.0%) in 124 clusters in the comparator group (difference, 0.0%; 95% CI, -1.9% to 1.9%). More participants in the intervention group than in the control group reduced their dose (1410 [66.0%] vs 1307 [63.1%]; difference, 2.8% [95% CI, 0.0%-5.7%]). Receipt of the brochure led to greater dose reductions for participants who were male (difference, 3.9%; 95% CI, 0.1%-7.7%), aged 18 to 64 years (difference, 3.7%; 95% CI, 0.2%-7.2%), or living in urban areas (difference, 5.9%; 95% CI, 1.9%-9.9%) compared with usual care. Conclusions and Relevance: In this cluster randomized clinical trial, no significant difference in the prevalence of opioid cessation was observed after 6 months between the intervention and usual care groups; however, the intervention resulted in more adults reducing their opioid dose compared with usual care. Trial Registration: ClinicalTrials.gov Identifier: NCT03400384.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,254
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,312
Écart entre enseignants0,290 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2024
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJAMA Network OpenMême sujetOpioid Use Disorder TreatmentTravaux en français237 207