Treatment patterns and healthcare resource use among veterans initiating medication for incident moderate‐to‐severe alcohol use disorder
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Several medications for alcohol use disorder (MAUDs) are recommended to treat alcohol use disorder (AUD) in the Veterans Affairs (VA) guidelines. This study descriptively characterized treatment patterns and healthcare resource utilization (HCRU) among VA patients with AUD treated with VA-recommended MAUDs. METHODS: Veterans Health Administration data (VHA; 08/01/2013-11/30/2019) were used to identify 31,384 adults aged ≥18 years with AUD who initiated disulfiram (n = 2115), acamprosate (n = 3756), oral naltrexone (n = 25,082), or extended-release naltrexone (XR-NTX; n = 431) following AUD diagnosis. Study measures, stratified by medication received, included treatment adherence (proportion of days covered), discontinuation, and HCRU over 1 year. RESULTS: Mean time to treatment discontinuation was high for all MAUDs but longest for XR-NTX (92 vs. 55-59 days; all p < .001). Relative to the year preceding AUD diagnosis, treatment with MAUDs was associated with fewer hospitalizations (XR-NTX: 0.48 vs. 0.42; oral naltrexone: 0.58 vs. 0.47; acamprosate: 0.67 vs. 0.60; disulfiram: 0.63 vs. 0.57) and more outpatient visits per patient (XR-NTX: 20.0 vs. 36.0; oral naltrexone: 19.0 vs. 30.0; acamprosate: 19.0 vs. 31.0; disulfiram: 17.0 vs. 29.0). CONCLUSION: Among veterans with AUD, this descriptive analysis found that MAUD use was associated with reduced hospitalizations, and XR-NTX was associated with a longer treatment duration versus oral MAUDs. SCIENTIFIC SIGNIFICANCE: This real-world study is among the first to describe clinical characteristics, treatment patterns, and HCRU in VHA patients who initiated MAUDs when all MAUDs were included in the VHA formulary.
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 ».