Trend in Prescription Medication Utilization for Opioid Use Disorder and Alcohol Use Disorder From 2015 to 2021: A Population-wide Study in a Canadian Province
Notice bibliographique
Résumé
OBJECTIVE: To examine the quarterly incidence and prevalence of medications for opioid use disorder (OUD) and alcohol use disorder (AUD) from 2015 to 2021. METHODS: A retrospective population-wide observational study in Manitoba, Canada, was conducted using administrative claims data from the Manitoba Centre for Health Policy to examine the incidence and prevalence of OUD (methadone, buprenorphine-naloxone, buprenorphine) or AUD medications (naltrexone, acamprosate, disulfiram) per 10,000 individuals in each quarter between January 1, 2015, and December 31, 2021. RESULTS: There were 1179 and 451 individuals who received at least one prescription for OUD and AUD, respectively, in the first quarter of 2020. The prevalence of OUD medications more than doubled from 6.3 to 14.3 per 10,000 from January 1, 2015, to December 31, 2021. Likewise, AUD medication prevalence increased almost 10-fold from 0.68 to 6.5 per 10,000 from January 1, 2015, to December 31, 2021, primarily due to naltrexone. The incidence of AUD prescription use increased 8.6-fold from 0.29 to 2.51 per 10,000 during the study period. In contrast, the incidence of opioid agonist therapy declined from 2.1 per 10,000 in the first quarter of 2015 to 0.53 per 10,000 the first quarter of 2016, primarily due to methadone. Whereas methadone incidence declined, buprenorphine-naloxone incidence increased almost 15-fold during the study period. CONCLUSION: An increase in both AUD medication prevalence and incidence in addition to an increase in buprenorphine-naloxone incidence was observed. These findings reflect an increase in the uptake of medications for treating AUD and OUD following changes to improve coverage and access to these medications.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».