Long-term opioid prescribing and healthcare encounters in metastatic cancer: observational population study
Notice bibliographique
Résumé
BACKGROUND: Although opioids are effective for cancer pain management, long-term use may result in adverse effects which are understudied among patients with metastatic disease. OBJECTIVES: To describe long-term opioid prescribing among patients with metastatic cancer and investigate how long-term prescribing practices are associated with the incidence of opioid-related hospitalisations and emergency department visits. METHODS: This retrospective cohort study included all opioid-naïve patients diagnosed with solid metastatic cancer in Alberta, Canada from 2004 to 2017 who had ≥1 year of follow-up. Patients were identified and followed using linked administrative health data. Long-term prescribing was defined as receiving a ≥90-day supply of opioids with a <30-day gap in supply within a 180-day period. The incidence rate of opioid-related healthcare encounters was compared based on characteristics of long-term prescribing (timing, dosage, duration and concurrent medications). RESULTS: The study included 10 927 patients, 2521 (23%) of whom received long-term opioid prescribing. These practices became more common near the end of life, with 53% of cases initiated during patients' last year of life. Opioid-related healthcare encounters were experienced by 85 (3.4%) recipients of long-term prescribing. Higher dosage (p<0.001) and concurrent prescribing of anxiolytics (p=0.001), benzodiazepines (p=0.001), antidepressants (p=0.027) and neuroleptics (p<0.001) were associated with a higher incidence of opioid-related healthcare encounters. CONCLUSIONS: Long-term opioid prescribing is common, and patients receiving long-term prescriptions with high dosage or concurrent psychoactive medications may benefit from interventions aimed at reducing opioid-related adverse effects. Further research is needed to determine strategies to minimise opioid-related harms for these patients while providing appropriate pain and symptom management.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».