数据提取与队列构建
从Oracle Cerner真实世界数据中识别OUD和AUD患者队列，并确定暴露组（有GIP/GLP-1 RA处方）和对照组（无处方）。
使用ICD-9/10-CM、SNOMED等代码定义OUD和AUD诊断，纳入2014年1月至2022年8月期间的成年患者，要求暴露组的首次处方在首次诊断之后。最终纳入503747例OUD患者和817309例AUD患者。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
葡萄糖依赖性促胰岛素多肽和/或胰高血糖素样肽-1受体激动剂处方与阿片类药物和酒精使用障碍患者物质相关结局的关联：一项真实世界数据分析
The association between glucose-dependent insulinotropic polypeptide and/or glucagon-like peptide-1 receptor agonist prescriptions and substance-related outcomes in patients with opioid and alcohol use disorders: A real-world data analysis
实验完整度
中基于大型电子健康记录数据库的回顾性队列研究，包含503747例OUD患者和817309例AUD患者，使用Quasi-Poisson回归控制混杂因素，并进行敏感性分析，但缺乏前瞻性实验设计和机制验证。
主要模型
OUD患者队列 AUD患者队列
重点核对
GIP/GLP-1 RA处方定义（包括阿必鲁肽、杜拉鲁肽、艾塞那肽、利拉鲁肽、利司那肽、司美格鲁肽、替尔泊肽） 结局定义（阿片类药物过量、酒精中毒） 随访时间（最小7天，最长2年） 混杂因素调整（年龄、性别、种族、合并症等） 统计分析（Quasi-Poisson回归，调整后IRR）
摘要
目的：本研究旨在评估葡萄糖依赖性促胰岛素多肽（GIP）和/或胰高血糖素样肽-1受体激动剂（GLP-1 RA）处方与阿片类药物使用障碍（OUD）和酒精使用障碍（AUD）患者中阿片类药物过量和酒精中毒发生率之间的关联强度。本研究还旨在比较GIP/GLP-1 RA与物质使用结局之间的关联强度在合并2型糖尿病和肥胖症患者中的差异。设计：一项回顾性队列研究，分析来自Oracle Cerner真实世界数据的去标识化电子健康记录数据。地点：约136个美国医疗系统，覆盖超过1亿患者，时间跨度从2014年1月至2022年9月。参与者：研究纳入503747例有OUD病史的患者和817309例有AUD病史的患者，年龄均在18岁及以上。测量：暴露因素为GIP/GLP-1 RA处方的存在（一次或多次）或不存在。结局为OUD队列中阿片类药物过量的发生率和AUD队列中酒精中毒的发生率。潜在混杂因素包括合并症和人口统计学因素。发现：与未使用GIP/GLP-1 RA处方的患者相比，使用GIP/GLP-1 RA处方的患者阿片类药物过量率（OUD患者调整后发生率比[aIRR]：0.60；95%置信区间[CI]=0.43–0.83）和酒精中毒率（AUD患者aIRR：0.50；95%CI=0.40–0.63）显著降低。按合并症分层时，在OUD和AUD患者中，使用GIP/GLP-1 RA处方者的阿片类药物过量和酒精中毒发生率仍保持类似的保护性。结论：葡萄糖依赖性促胰岛素多肽和/或胰高血糖素样肽-1受体激动剂处方似乎与阿片类药物使用障碍和酒精使用障碍患者中阿片类药物过量和酒精中毒的发生率降低相关。保护效应在包括合并2型糖尿病和肥胖症患者在内的各亚组中保持一致。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- GIP/GLP-1 RA处方是否与OUD患者的阿片类药物过量及AUD患者的酒精中毒发生率降低相关，且这种关联是否在合并2型糖尿病和肥胖症的患者中保持一致？
- 核心机制
- 文中未明确说明
- 主要证据
- 使用Oracle Cerner真实世界数据，对503747例OUD患者和817309例AUD患者进行回顾性队列分析，调整混杂因素后发现，使用GIP/GLP-1 RA的患者阿片类药物过量风险降低40%（aIRR=0.60），酒精中毒风险降低50%（aIRR=0.50），且在合并2型糖尿病和肥胖症的亚组中保护效应仍显著。
- 研究意义
- 作者提出GIP/GLP-1 RA可能作为OUD和AUD的新型药物治疗选择，但强调需要进一步的前瞻性临床试验来验证这些关联并探索潜在机制。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
结局定义与随访
定义主要结局（阿片类药物过量、酒精中毒）并确定随访期。
使用ICD-9/10、SNOMED、NDC和MMSL代码定义结局。随访从指数事件起至少7天，最长2年，并设置7天滞后以避免与近期诊断混淆。
统计分析与调整
比较暴露组与对照组的结局发生率，调整潜在混杂因素。
使用混合效应Quasi-Poisson回归模型，调整年龄、性别、种族、婚姻状况、地区、保险、合并症、精神健康史、烟草依赖、睡眠呼吸暂停等混杂因素，并计算调整后IRR。
分层与敏感性分析
评估在合并2型糖尿病和肥胖症患者中关联的稳定性，并进行敏感性分析。
按是否合并2型糖尿病、肥胖症及两者兼有进行分层分析。进行敏感性分析（如IPTW、时间到事件分析）以评估结果的稳健性。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 统计分析 | R 4.0.2版 | The R Foundation | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 队列定义 | OUD和AUD诊断代码（ICD-9/10-CM、SNOMED等），纳入时间范围（2014年1月至2022年8月），暴露定义（首次处方在诊断后）。 阅读提示：Methods: Study population和Study design部分 |
| 结局定义 | 阿片类药物过量和酒精中毒的定义代码（ICD-9/10、SNOMED等），随访期（至少7天，最长2年），7天滞后期的设置。 阅读提示：Methods: Outcome and exposure variables部分 |
| 统计模型 | Quasi-Poisson回归的调整变量列表（如年龄、性别、合并症指数等），是否按医院ID聚类标准误，是否以人时为偏移量。 阅读提示：Methods: Statistical analysis部分 |
| 分层与敏感性分析 | 2型糖尿病和肥胖症的识别代码及算法，敏感性分析的具体方法（如IPTW、时间到事件模型）。 阅读提示：Methods: Stratifying measures和Sensitivity/supplemental analyses部分 |