Self‐Reported Practices in Opioid Management of Chronic Noncancer Pain: A Survey of Canadian Family Physicians
Notice bibliographique
Résumé
BACKGROUND: In May 2010, a new Canadian guideline on prescribing opioids for chronic noncancer pain (CNCP) was released. To assess changes in family physicians' (FPs) prescribing of opioids following the release of the guideline, it is necessary to know their practices before the guideline was widely disseminated. OBJECTIVES: To determine FPs' practices and knowledge in prescribing opioids for CNCP in relation to the Canadian guideline, and to determine factors that hinder or enable FPs in prescribing opioids for CNCP. METHODS: An online survey was developed and FPs who manage CNCP were electronically contacted through the College of Family Physicians of Canada, university continuing medical education offices and provincial regulatory colleges. RESULTS: A total of 710 responses were received. FPs followed a precautionary approach to prescribing opioids and already practiced in accordance with Canadian guideline recommendations by discussing adverse effects, monitoring for aberrant drug-related behaviour and advising caution when driving. However, FPs seldom discontinued opioids even if they were ineffective and were unaware of the 'watchful dose' of opioids, the daily dose at which patients may need reassessment or closer monitoring. Only two of nine knowledge questions were answered correctly by more than 40% of FPs. The main enabler to optimal opioid prescribing was having access to a patient's opioid history from a provincial prescription monitoring program. The main barriers to optimal prescribing were concerns about addiction and misuse. CONCLUSIONS: While FPs follow a precautionary approach to prescribing opioids for CNCP, there are substantial practice and knowledge gaps, with implications for patient safety and costs.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».