Pain Management in Primary Care: Strategies to Mitigate Opioid Misuse, Abuse, and Diversion
Notice bibliographique
Résumé
Pain is among the most common reasons patients seek medical attention, and the care of patients with pain is a significant problem in the United States. Acute pain (mild-to-moderate intensity) represents one of the most frequent complaints encountered by primary care physicians (PCPs) and accounts for nearly half of patient visits. However, the overall quality of pain management remains unacceptable for millions of US patients with acute or chronic pain, and underrecognition and undertreatment of pain are of particular concern in primary care. Primary care physicians face dual challenges from the emerging epidemics of undertreated pain and prescription opioid abuse. Negative impacts of untreated pain on patient activities of daily living and public health expenditures, combined with the success of opioid analgesics in treating pain provide a strong rationale for PCPs to learn best practices for pain management. These clinicians must address the challenge of maintaining therapeutic access for patients with a legitimate medical need for opioids, while simultaneously minimizing the risk of abuse and addiction. Safe and effective pain management requires clinical skill and knowledge of the principles of opioid treatment as well as the effective assessment of risks associated with opioid abuse, addiction, and diversion. Easily implementable patient selection and screening, with selective use of safeguards, can mitigate potential risks of opioids in the busy primary practice setting. Primary care physicians can become advocates for proper pain management and ensure that all patients with pain are treated appropriately.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».