Characterizing dose changes and tapering among opioid users: A brief report on a population-level study in Alberta, Canada
Notice bibliographique
Résumé
OBJECTIVE: Monitoring changes in oral morphine equivalents (OMEs) is an important parameter to understand how opioids are being used at the population level. However, changes in opioid doses and tapering have not been well defined. DESIGN: We conducted a population-based exploratory data analysis (EDA) to characterize changes in opioid doses and tapering of opioids among patients in Alberta (AB). A literature review was conducted to assess opioid tapering. SETTING: Using dispense data from 2020 to 2021 provided by the College of Physicians & Surgeons of Alberta (CPSA), we assessed changes in OME per day from baseline to the subsequent quarter. PATIENTS: Patients living in AB. INTERVENTIONS: N/A. MAIN OUTCOME MEASURES: The absolute and relative changes in OME per day were estimated for each assessment. Tapering was considered if an opioid user's OME per day changed from the baseline to zero in the subsequent quarter. The frequency and percentages of patients with different levels of changes in OME per day were summarized per quarter. RESULTS: There were 13 operational definitions of opioid tapering in the literature. Comparatively, our approach at the CPSA differed in the length of the follow-up assessment period. Based on our quarterly assessment of ~390,000 patients, all four periods showed 60 percent of patients had an opioid dose decrease/tapered therapy relative to baseline. However, 21 percent were noted to be new users of opioids. CONCLUSIONS: Based on our approach at the CPSA, 60 percent of patients tapered opioids over a year. Despite no standardized definition of opioid tapering, our EDA demonstrates one approach using population-based drug dispense data to evaluate opioid use.
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 ».