Review of Factors, Methods, and Outcome Definition in Designing Opioid Abuse Predictive Models

[Diffusé le 05-09-2017]

Source : Pain medicine 2018; 19(5):

Abdullah H. Alzeer, RPh, Ms * Josette Jones, RN, PhD * Matthew J. Bair, MD, MS,

*Indiana University School of Informatics and Computing, Indianapolis, Indiana
Regenstrief Institute, Indianapolis, Indiana
Indiana University School of Nursing, Indianapolis, Indiana
§Richard L. Roudebush VA Medical Center, Center for Health Information and Communication (CHIC), Indianapolis, Indiana
Indiana University School of Medicine, Indianapolis, Indiana, USA

Modèles prédictifs de l’abus d'opioïdes : une revue de la littérature

Article commenté par : L'équipe éditoriale AddictoScope

L'utilisation médicale et non médicale des opioïdes a considérablement augmentée aux États-Unis et dans le reste du monde au cours de la dernière décennie pour les patients présentant des douleurs chroniques non cancéreuses. Ainsi, les prescriptions de morphine, de fentanyl, d'oxycodone et d'hydromorphone ont explosé et malgré l'importance clinique des opioïdes, ces derniers sont tout de même associés à des effets sociétaux négatifs (socio-économiques et criminels) liés à la dépendance et au mésusage. Analyser le ratio bénéfice/risque de la prescription d'opioïdes est alors essentiel et plusieurs outils d'évaluation sont actuellement à disposition des prescripteurs afin d’évaluer l'abus d'analgésiques opioïdes chez les patients chroniques.

Les objectifs de cette revue systématique étaient donc 1) d’identifier les variables prédictives de l'abus d'opioïdes, 2) explorer et comparer les méthodes utilisées pour élaborer des modèles statistiques prédictifs de l'abus d'opioïdes, et 3) comprendre l’analyse des résultats de chaque modèle statistique. Une interrogation de la base de données OVID a permis d’identifier 1 409 articles publiés entre janvier 1990 et avril 2016. Seuls 7 études ont répondu aux critères d'inclusion-exclusion.

Au total, 9 modèles ont été analysés et 75 variables distinctes ont été identifiées. Trois études ont utilisé des données de réclamations administratives, et 4 portaient sur des données de dossiers médicaux électroniques. La majorité des études (4 sur 7) et des modèles (6 sur 9) était basée sur la présence ou l'absence d'abus et/ou de dépendance aux opioïdes (code diagnostic CIM-9) comme critère principal. Seul, 2 articles ont utilisé une liste prédéfinie de comportements pathologiques liés aux opioïdes.

Parmi les 75 variables utilisées pour prédire l'abus d'opioïdes, 33 sont des variables médicamenteuses. L'âge et le genre étaient les variables démographiques les plus pertinentes. Dans l'ensemble, une forte similitude dans la méthode d'échantillonnage et les critères d'inclusion/exclusion (âge, nombre de prescriptions, période de suivi, méthodes d'analyse des données) des différents modèles a été retrouvée, ainsi qu’une inter/intra-variation de la performance de ces outils. Ces variations pouvaient s'expliquer par la période d'étude utilisée, la taille de l'échantillon, la définition de l'abus d'opioïdes, mais également par le type de base de données et les codes CIM-9 utilisés pour identifier les patients à risque. Une utilisation de données non structurées dans la pratique médicale de routine pourrait alors augmenter la précision des modèles liés au mésusage d'opioïdes.

En conclusion, même s’il existe de nombreux outils d'auto-évaluation et d'évaluation des risques liés au mésusage d'opioïdes, ces outils manquent de validation et de cohérence. Ces modèles prédictifs pourraient alors être améliorés par un meilleur recueil des données et un meilleur codage CIM-9 des dossiers médicaux informatisés.

Abstract

Objective Several opioid risk assessment tools are available to prescribers to evaluate opioid analgesic abuse among chronic patients. The objectives of this study are to 1) identify variables available in the literature to predict opioid abuse; 2) explore and compare methods (population, database, and analysis) used to develop statistical models that predict opioid abuse; and 3) understand how outcomes were defined in each statistical model predicting opioid abuse.

Design. The OVID database was searched for this study. The search was limited to articles written in English and published from January 1990 to April 2016. This search generated 1,409 articles. Only seven studies and nine models met our inclusion-exclusion criteria.

Results. We found nine models and identified 75 distinct variables. Three studies used administrative claims data, and four studies used electronic health record data. The majority, four out of seven articles (six out of nine models), were primarily dependent on the presence or absence of opioid abuse or dependence (ICD-9 diagnosis code) to define opioid abuse. However, two articles used a predefined list of opioid-related aberrant behaviors.

Conclusions. We identified variables used to predict opioid abuse from electronic health records and administrative data. Medication variables are the recurrent variables in the articles reviewed (33 variables). Age and gender are the most consistent demographic variables in predicting opioid abuse. Overall, there is similarity in the sampling method and inclusion/exclusion criteria (age, number of prescriptions, follow-up period, and data analysis methods). Intuitive research to utilize unstructured data may increase opioid abuse models’ accuracy.

Keywords: Opioid Abuse, Risk Assessment, Addiction, Misuse


Podcast Series - Sous Emprise
Noter cet article :

Ma bibliographie

Accédez à vos articles favoris, classez-les par dossiers ou encore exportez-les sous format ENDNOTE !


Rechercher

Besoin d'aide ?
Recherche avancée
Recherche par revues
798 articles actuellement disponibles
A | B | C | D | E | F | G | H | I | J | K | L | M | N | O | P | Q | R | S | T | U | V | W | X | Y | Z | 0-9
Recherche par rubriques