Perioperative use of pregabalin for acute pain—a systematic review and meta-analysis
Notice bibliographique
Résumé
Evidence supporting postoperative pain management using pregabalin as an adjunct intervention across various surgical pain models is lacking. The objective of this systematic review was to evaluate "model-specific" comparative effectiveness and harms of pregabalin following a previously published systematic review protocol. MEDLINE, EMBASE, and the Cochrane Central Register of Controlled Trials were searched from inception through August 2013. Data were screened and single extraction with independent verification and dual risk of bias assessment was performed. Quality of evidence (QoE) was rated using the GRADE approach. Primary outcomes were pain relief at rest and on movement and reduction in postoperative analgesic consumption. A total of 1423 records were screened, and 43 studies were included. Perioperative pregabalin resulted in: 16% (95% confidence interval [CI], 9%-21%) reduction in analgesic consumption (moderate QoE, 24 trials) and a small reduction in the magnitude of pain in surgeries associated with pronociceptive pain. Per 1000 patients, 10 more will experience blurred vision (95% CI, 5-20 more; moderate QoE, 17 trials) and 41 more sedation (95% CI, 13-77 more, 17 trials). To prevent 1 case of perioperative nausea and vomiting, the number needed to treat is 11 (95% CI: 7-28, 25 trials). Inadequate evidence addressed outcomes of enhanced recovery and serious harms. Pregabalin analgesic effectiveness is largely restricted to surgical procedures associated with pronociceptive mechanisms. The clinical significance of observed pregabalin benefits must be weighed against the uncertainties about serious harms and enhanced recovery to inform the careful selection of surgical patients. Recommendations for future research are proposed.
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 | 0,019 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,012 | 0,003 |
| 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 ».