Distinct Trajectories of Prescription Opioid Exposure in Pregnancy and Risk of Adverse Birth Outcomes
Notice bibliographique
Résumé
OBJECTIVES: The aim of this study was to identify distinct trajectories of prescription opioid exposure in pregnancy-encompassing both medication for opioid use disorder (MOUD) and opioid analgesics-and explore their associations with birth outcomes. METHODS: Trajectories were identified using latent class analysis among Wisconsin Medicaid-insured live births 2011-2019. Logistic regression estimated associations between these trajectories and neonatal opioid withdrawal syndrome (NOWS), small for gestational age, preterm birth, birth weight, and gestational age. RESULTS: Of 138,123 births, 27,293 (19.8%) had prenatal opioid exposure. Five trajectory classes were identified: (1) stable MOUD treatment (5.8%), (2) inconsistent MOUD treatment (3.9%), (3) chronic analgesic use (4.2%), (4) intermittent analgesic use (7.8%), and (5) low-level use of MOUD and analgesics (78.3%). NOWS incidence per 1000 infants was 667 for class 1 (adjusted odds ratio [aOR]: 21.74, 95% confidence interval [CI]: 17.89, 26.41), 570 for class 2 (aOR: 15.35, 95% CI: 12.49, 18.87), 235 for class 3 (aOR: 19.42, 95% CI: 15.93, 23.68), 67 for class 4 (aOR: 6.23, 95% CI: 4.99, 7.76), and 12 for class 5 (aOR: 1.73, 95% CI: 1.47, 2.02). Classes 1-4 had elevated risk of small for gestational age, preterm birth, lower birth weight, and shorter gestational age, with no significant differences among these classes. Among individuals with opioid use disorder, stable MOUD treatment was associated with higher birth weights and longer gestational ages compared to inconsistent treatment, despite higher odds of NOWS. CONCLUSIONS: Early initiation and consistent MOUD treatment may improve birth weight and gestational age. For pregnant individuals with opioid use disorder using chronic analgesics, transition to MOUD may promote birth outcomes.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».