Risks and Responsibilities in Prescribing Opioids for Chronic Noncancer Pain, Part 2: Best Practices
Notice bibliographique
Résumé
Opioids are increasingly prescribed to provide effective therapy for chronic noncancer pain, but increased use also means an increased risk of abuse. Primary care physicians treating patients with chronic noncancer pain are concerned about adverse events and risk of abuse and dependence associated with opioids, yet many prescribers do not follow established guidelines for the use of these agents, either through unawareness or in the mistaken belief that urine toxicology testing is all that is needed to monitor compliance and thwart abuse. Although there is no foolproof way to identify an abuser and prevent abuse, the best way to minimize the risk of abuse is to follow established guidelines for the use of opioids. These guidelines entail a careful assessment of the patient, the painful condition to be treated, and the estimated level of risk of abuse based on several factors: history of abuse and current or past psychiatric disorders; design of a therapeutic regimen that includes both pharmacotherapeutic and nonpharmacologic modalities; a formal written agreement with the patient that defines treatment expectations and responsibilities; selection of an appropriate agent, including consideration of formulations designed to deter tampering and abuse; initiation of treatment at a low dosage with titration in gradual increments as needed to achieve effective analgesia; regular reassessment to watch for signs of abuse, to perform drug monitoring, and to adjust medication as needed; and established protocols for actions to be taken in case of suspected abuse. By following these guidelines, physicians can prescribe opioids to provide effective analgesia while reducing the likelihood of abuse.
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 | 0,002 | 0,006 |
| 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 | 0,000 |
| 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 ».