Weighing the balance: how analgesics used in chronic pain influence sleep?
Notice bibliographique
Résumé
Pain and sleep share a bidirectional relationship, with each influencing the other. Several excellent reviews have explored this relationship. In this article, we revisit the evidence and explore existing research on this complex inter-relationship. The primary focus of the article is on the pharmacological treatment of chronic non-malignant pain and the main purpose is to review the effect of various pharmacological agents used in the management of chronic pain on sleep. This has not been comprehensively done before. We explore the clinical use of these agents, their impact on sleep architecture and sleep physiology, the mechanism of action on sleep parameters and sleep disorders associated with these agents. Pharmacological classes reviewed include antidepressants, opioid analgesics, anti-epileptics, cannabinoids and non-steroidal anti-inflammatory agents, drugs most commonly used to manage chronic pain. The objective is to help health professionals gain better insight into the complex effect that commonly used analgesics have on an individual's sleep and how this could impact on the effectiveness of the drug as an analgesic. We conclude that antidepressants have both positive and negative effects on sleep, so do opioids, but in the latter case the evidence shifts towards the counterproductive side. Some anticonvulsants are sleep sparing and non-steroidal anti-inflammatory drugs (NSAIDs) are sleep neutral. Cannabinoids remain an underexplored and researched group.
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 | 0,012 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».