Facteurs prédictifs d’utilisation chronique d’opioïdes dans la population non atteinte de cancer
Bibliographic record
Abstract
L’utilisation chronique d’opioïdes est associée à des méfaits graves tels que dépendance et surdosage. Ce mémoire vise à identifier les facteurs associés à l’utilisation chronique d’opioïdes dans une population adulte non atteinte de cancer et par là, à développer un modèle prédictif adapté à la pratique clinique. À partir des banques de données administratives du Québec (RAMQ), une étude de cohorte a été menée dans un échantillon aléatoire de 125,000 membres du régime général d’assurance médicaments (≥18 ans) ayant initié un opioïde entre le 1er janvier 2012 et le 31 décembre 2016. L'utilisation chronique a été définie par ≥90 jours consécutifs ou ≥120 jours cumulatifs pendant les 12 mois de suivi. Des modèles de régression logistique multivariés ont été effectués afin d’évaluer l’association entre les caractéristiques du patient ou du traitement et l’utilisation chronique. La performance prédictive des modèles a été évaluée par l’aire sous la courbe (AUC) de la «Receiver Operating Characteristic». Parmi les 124 664 nouveaux utilisateurs admissibles, 3,4% sont devenus utilisateurs chroniques et représentaient 51,1% des opioïdes délivrés à la cohorte. Le modèle prédictif le plus parcimonieux ayant une performance acceptable (AUC≥ 0,70) incluait: Durée de prescription initiale ≥30 jours et diagnostic associé à de la douleur chronique. De nombreux facteurs de risque d’utilisation chronique d’opioïdes ont été identifiés. Il est possible de prédire quels sont les patients qui évolueront vers une utilisation chronique uniquement à partir de la durée de l’ordonnance initiale et de l’indication. Ces prédicteurs seraient donc adaptés à la pratique clinique.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".