Opioid use disorder among females with breast cancer: A comprehensive analysis of prevalence in the United States and associated factors.
Notice bibliographique
Résumé
1118 Background: Patients with breast cancer (BC) are frequently prescribed opioids for pain management, placing them at risk of opioid use disorder (OUD). This study analyzes the prevalence of OUD and identifies factors contributing to its risk among BC patients in the United States. Methods: We conducted a retrospective analysis using the National Inpatient Sample (NIS) database, a Healthcare Cost and Utilization Project (HCUP) component. Females with BC were identified through ICD-10 codes. The Cochran-Armitage trend test assessed OUD prevalence trends from 2016 to 2022. Multivariable regression models estimated the impact of multiple patient demographics and comorbidities on the presence of OUD. Results: Among 1,189,884 females aged≥18 with BC, 2.3% (27,500) had OUD. The mean age of OUD patients was 58.38 years, compared to 64.46 years in the non-OUD cohort. OUD prevalence was highest in those aged 18–50 years (3.8%), followed by 51–60 years (3.0%), and lowest in those > 60 years (1.7%). Between 2016 and 2020, OUD prevalence increased from 1.9% to 2.8%, followed by a decline to 2.4% in 2022 (p-trend < 0.01). Factors that were linked with higher OUD involved patients with neoplasm-related pain(NRP)(aOR 5.718, 95% CI 5.549-5.893, p < 0.01), on palliative care (aOR 1.397, 95% CI 1.353-1.443, p < 0.001), with metastasis (aOR 1.573, 95% CI 1.526-1.621, p < 0.01), depression (aOR 1.447, 95% CI 1.400-1.495, p < 0.01), bipolar disorder (aOR 2.173, 95% CI 2.038-2.317, p < 0.01), suicidality (aOR 3.228, 95% CI 2.938-3.546, p < 0.01), and anxiety (aOR 1.617, 95% CI 1.572-1.664, p < 0.01). Moreover, substance use such as cocaine (aOR 5.252, 95% CI 4.708-5.859, p < 0.01) and amphetamine (aOR 3.948, 95% CI 3.443-4.527, p < 0.01) was also associated with higher odds, while cannabis users (aOR 0.876, 95% CI 0.793-0.968, p < 0.01) had lower odds of OUD. Our study further found racial disparities, with reduced odds among Blacks ( vs Whites, aOR 0.933, 95% CI 0.901-0.967, p < 0.01) and Hispanics (vs.Whites, aOR 0.866, 95% CI 0.827-0.906, p < 0.01). Socio-economic differences were also noted, with lower odds among those of the 26th-50th (vs. 0-25th, aOR 0.932, 95% CI 0.9-0.966, p < 0.01), 51st-75th (vs. 0-25th, aOR 0.951, 95% CI 0.918-0.986, p < 0.01), and 76th-100th (vs. 0-25th, aOR 0.916, 95% CI 0.882-0.951, p < 0.01) household income quartiles. Conclusions: This study showcases the significant prevalence and impact of OUD among BC patients, identifying socioeconomic and racial disparities, and key risk factors such as NRP, psychiatric comorbidities, and concurrent substance use, like cocaine and amphetamines. Interestingly, cannabis use was associated with a lower risk of OUD, which may reflect its role as an alternative pain management strategy. Overall, this study suggests the need to adopt crucial preventative measures against OUD in patients exhibiting these characteristics.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,001 | 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 ».