Occurrence of Stigmatizing Documentation Among Hospital Medicine Encounters With Opioid-Related Diagnosis Codes: Cohort Study
Notice bibliographique
Résumé
BACKGROUND: Physician use of stigmatizing language in the clinical documentation of hospitalized adults with opioid use is common. However, patient factors associated with stigmatizing language in this setting remain poorly characterized. OBJECTIVE: This study aimed to determine whether specific demographic factors and clinical outcomes are associated with the presence of stigmatizing language by physicians in the clinical documentation of encounters with opioid-related ICD-10 (International Statistical Classification of Diseases, Tenth Revision) codes. METHODS: Hospital encounters with one or more associated opioid-related ICD-10 admission diagnoses on the hospital medicine service during the 2020 calendar year were analyzed for the presence of stigmatizing language in history and physical and discharge summaries. Multivariable adjusted logistic regression models were used to determine associations of age, race, gender, medication for addiction treatment use, against medical advice discharge, homelessness, comorbid polysubstance use, comorbid psychiatric disorder, comorbid chronic pain, cost, and 30-day readmission with the presence of stigmatizing language. RESULTS: A total of 221 encounters were identified, of which 64 (29%) encounters had stigmatizing language present in physician documentation. Most stigmatizing language was due to use of "substance abuse" rather than the preferred term "substance use" (63/66 instances). Polysubstance use and homelessness were independently associated with the presence of stigmatizing language (adjusted odds ratio [aOR] 7.83; 95% CI 3.42-19.24 and aOR 2.44; 95% CI 1.03-5.90) when controlling for chronic pain and other covariates. CONCLUSIONS: Among hospital medicine encounters with an opioid-related diagnosis, stigmatizing language by physicians in clinical documentation was common and independently associated with comorbid polysubstance use and homelessness.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».