International Trends in Opioid Prescribing by Age and Sex from 2001 to 2019: An Observational Study Using Population-Based Databases from 18 Countries and One Special Administrative Region
Notice bibliographique
Résumé
OBJECTIVE: To characterize multinational trends and patterns of opioid analgesic prescribing by sex and age. DESIGN, SETTING, AND PARTICIPANTS: We studied opioid analgesic prescribing from 2001 to 2019 with common protocol using population-based databases from eighteen countries and one special administrative region. MAIN OUTCOME MEASURES: We measured opioid prescribing by geographical region, sex and age, estimating annual prevalent, incident, and nonincident opioid prescribing per 100 population with a 95% confidence interval (CI) and meta-analyzed the multinational and regional opioid prescribing with a random-effects model. Time trends were reported through average annual absolute changes, estimated using linear mixed models. We further explored the effect of sex and age on prevalent opioid prescribing in the multivariable analysis. RESULTS: Over 248 million individuals were included. Pooled multinational opioid prescribing prevalence was 9.0% amongst included countries/regions. Opioid prescribing prevalence in 2015 ranged from 2.7% in Japan to 19.7% in Iceland. Average annual absolute changes in opioid prescribing prevalence per year ranged from - 1.53% (95% CI - 2.06, - 1.00; United States Medicaid) to + 1.24% (95% CI 1.02, 1.46; South Korea). Pooled multinational incident opioid prescribing (4.9%; 95% CI 4.1, 5.9) was higher than pooled multinational nonincident opioid prescribing (3.7%; 95% CI 2.9, 4.8). The female sex and older age were associated with higher opioid prescribing. Main limitations of this study include the absence of data from study duration or individuals not covered by the data sources and the lack of information on medication adherence and indication. CONCLUSIONS: Opioid prescribing remains unbalanced across geographical regions; however, results suggest a tendency to convergence across countries/regions. Differences in opioid prescribing by sex and age were identified.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».