A Peer Data Benchmarking Intervention to Reduce Opioid Overprescribing: A Randomized Controlled Trial
Notice bibliographique
Résumé
BackgroundDriving physician behavior change has been an elusive goal for quality improvement efforts aimed at reducing low-value care. We proposed the use of “nudge” interventions at the surgeon level in order to reduce post-surgical opioid overprescribing in accordance with consensus guidelines.MethodsWe used 2017 Medicare data to identify outlier surgeons. A peer data benchmarking report that showed each surgeon the average number of opioid tablets they prescribed for an open inguinal hernia repair procedure from January 1, 2017 to December 31, 2017. We conducted a 1:1 randomized controlled trial providing outlier surgeons a report of their opioid prescribing patterns for a standard operation compared to the national average and prescribing guidelines.ResultsThere were 489 surgeons randomized to the intervention, of which 180 (36.8%) had data in the post-intervention period. Data was available for 87 surgeons in the intervention group and 93 surgeons in the control group. 97.7% of surgeons in the intervention group reduced their opioid prescribing pattern compared to 95.7% in the control group. Surgeons who received the data benchmarking report intervention prescribed 14.3% less opioids than surgeons in the control group (10.54 (SD 5.34) vs. 12.30 (SD 6.02), <i>P</i> = .04). The intervention was associated with a 1.83 lower mean number of opioid tablets prescribed per patient in the multivariable linear regression model after controlling for other factors (Intervention group vs. control group 95% CI [−3.61, −.04], <i>P</i> = .04).DiscussionThe implementation of a peer data benchmarking intervention can drive physician behavior change towards high-value care.
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 | 0,046 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,012 | 0,015 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,339 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».