Population-based prescription opioid use rate in Newfoundland and Labrador: A retrospective cohort study
Notice bibliographique
Résumé
OBJECTIVE: To report the rate of prescription opioid use rates over a 5-year period for the population of Newfoundland and Labrador (NL), Canada, and to highlight patient demographics within this cohort. DESIGN: This retrospective cohort design used population-based pharmacy network prescription data from the province of NL to identify patients who were prescribed opioids from June 1, 2017, to June 1, 2022. SETTING: A cohort of adult and pediatric patients who were being prescribed opioids from June 1, 2017, to June 1, 2022, in NL. PARTICIPANTS: Patients who were prescribed opioids from June 1, 2017, to June 1, 2022. Prescriptions without complete data and medications taken for pain control that were not defined as opioids were excluded from the analysis. Buprenorphine, buprenorphine-naloxone, and methadone were also excluded from the analysis, as these are often prescribed as a treatment for opioid use disorder. RESULTS: Between 27,344 (5.2 percent of NL population) and 57,562 (11 percent of NL population) opioid pain patients in NL were identified from 2017 to 2022, with 2018 having the highest number of opioid pain patients (11 percent). During this period, patients with opioid prescriptions averaged from 55 to 58 years of age. Data also showed more female users of prescription opioids than males, and there were no significant differences between urban and rural locations. The most prevalent type of prescriber during the period of observation was general practitioners (n = 1,131), followed by pharmacists (n = 476) and dentists (n = 237). CONCLUSIONS: In comparison to national averages in Canada, NL had lower prescription opioid use rates. This study acts as a first step to better understand opioid use and prescribing practices in NL.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».