Racial Disparities in Opioid Prescribing in the United States from 2011 to 2021: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Background: This meta-analysis is an update to a seminal meta-analysis on racial/ethnic disparities in pain treatment in the United States (US) published in 2012. Since then, literature has accumulated on the topic and important policy changes were made. Objective: Examining racial/ethnic disparities in pain management and investigating key moderators of the association between race/ethnicity and pain outcomes in the US. Methods: We performed a systematic search of publications (between January 2011 and February 2021) from the Scopus database. Search terms included: race, racial, racialized, ethnic, ethnicity, minority, minorities, minoritized, pain treatment, pain management, and analgesia. All studies were observational, examining differences in receipt of pain prescription medication in various settings, across racial or ethnic categories in US adult patient populations. Two binary analgesic outcomes were extracted: 1) prescription of "any" analgesia, and 2) prescription of "opioid" analgesia. We analyzed these outcomes in two populations: 1) Black patients, with White patients as a reference; and 2) Hispanic patients, with non-Hispanic White patients as a reference. Results: The meta-analysis included twelve studies, and the systematic review included forty-three studies. Meta-analysis showed that, compared to White patients, Black patients were less likely to receive opioid analgesia (OR 0.83, 95% CI [0.73-0.94]). Compared to non-Hispanic White patients, Hispanic patients were less likely to receive opioid analgesia (OR 0.80, 95% CI [0.72-0.88]). Conclusion: Despite a decade's gap, the findings indicate persistent disparities in prescription of, and access to opioid analgesics for pain among Black and Hispanic populations in the US.
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 | 0,021 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,002 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».