Matching study design to prescribing intention: The prevalent new‐user design for studying abuse‐deterrent formulations of opioids
Notice bibliographique
Résumé
PURPOSE: In drug studies, research designs requiring no prior exposure to certain drug classes may restrict important populations. Since abuse-deterrent formulations (ADF) of opioids are routinely prescribed after other opioids, choice of study design, identification of appropriate comparators, and addressing confounding by "indication" are important considerations in ADF post-marketing studies. METHODS: In a retrospective cohort study using claims data (2006-2018) from a North Carolina private insurer [NC claims] and Merative MarketScan [MarketScan], we identified patients (18-64 years old) initiating ADF or non-ADF extended-release/long-acting (ER/LA) opioids. We compared patient characteristics and described opioid treatment history between treatment groups, classifying patients as traditional (no opioid claims during prior six-month washout period) or prevalent new users. RESULTS: We identified 8415 (NC claims) and 147 978 (MarketScan) ADF, and 10 114 (NC claims) and 232 028 (MarketScan) non-ADF ER/LA opioid initiators. Most had prior opioid exposure (ranging 64%-74%), and key clinical differences included higher prevalence of recent acute or chronic pain and surgery among patients initiating ADFs compared to non-ADF ER/LA initiators. Concurrent immediate-release opioid prescriptions at initiation were more common in prevalent new users than traditional new users. CONCLUSIONS: Careful consideration of the study design, comparator choice, and confounding by "indication" is crucial when examining ADF opioid use-related 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».