Adverse event assessment and reporting in trials of newer treatments for post‐operative pain
Notice bibliographique
Résumé
BACKGROUND: Assessment and reporting of adverse events (AEs) in studies of perioperative interventions is critical given the potential for unintended and preventable iatrogenic morbidity and mortality. This focused review evaluated the quality of AE assessment and reporting in acute post-operative pain treatment trials. Since older analgesics (e.g., opioids, NSAIDs) already have a well-characterized safety profile, we concentrated on trials of pregabalin and gabapentin as a representative sample of studies where the perioperative safety profile was relatively unknown. METHODS: We reviewed primary reports of trials of pregabalin and gabapentin for treatment of acute post-operative pain for: (1) adherence to the 10 recommendations from the 'CONSORT Extension for Harms,' (2) AE assessment method, (3) timing of AE assessment and reporting, and (4) assessment and reporting of AE severity. RESULTS: We identified 31 trials of pregabalin and 59 of gabapentin. The median number of CONSORT harms recommendations that were satisfied was 7 of 10. The most common (41%) method of AE assessment was direct questioning about specific AEs by investigators. However, AE assessment method was not described in 18% of trials. AE assessments were reported for specified perioperative time points in only 24% of trials. Of greatest concern, no AE data were reported whatsoever in 8 of the included publications. CONCLUSIONS: Considerable widespread improvements are needed in AE reporting for post-operative pain treatment trials. In addition to heightened awareness among clinical investigators, mandatory journal editorial policies may further facilitate improvements in safety assessment and reporting.
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 | 0,009 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| 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 ».