Pain and Poppies: The Good, the Bad, and the Ugly of Opioid Analgesics
Notice bibliographique
Résumé
Treating pain is one of the most difficult challenges in medicine and a key facet of disease management. The isolation of morphine by Friedrich Sertürner in 1804 added an essential pharmacological tool in the treatment of pain and spawned the discovery of a new class of drugs known collectively as opioid analgesics. Revered for their potent pain-relieving effects, even Morpheus the god of dreams could not have dreamt that his opium tincture would be both a gift and a burden to humankind. To date, morphine and other opioids remain essential analgesics for alleviating pain. However, their use is plagued by major side effects, such as analgesic tolerance (diminished pain-relieving effects), hyperalgesia (increased pain sensitivity), and drug dependence. This review highlights recent advances in understanding the key causes of these adverse effects and explores the effect of chronic pain on opioid reward. SIGNIFICANCE STATEMENT: Chronic pain is pervasive and afflicts >100 million Americans. Treating pain in these individuals is notoriously difficult and often requires opioids, one of the most powerful and effective classes of drugs used for controlling pain. However, their use is plagued by major side effects, such as a loss of pain-relieving effects (analgesic tolerance), paradoxical pain (hyperalgesia), and addiction. Despite the potential side effects, opioids remain the pharmacological cornerstone of modern pain therapy. This review highlights recent breakthroughs in understanding the key causes of these adverse effects and explores the cellular control of opioid systems in reward and aversion. The findings will challenge traditional views of the good, the bad, and the ugly of opioids.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».