Problematic Use of Prescription Opioids and Medicinal Cannabis Among Patients Suffering from Chronic Pain
Notice bibliographique
Résumé
Objective: To assess prevalence rates and correlates of problematic use of prescription opioids and medicinal cannabis (MC) among patients receiving treatment for chronic pain. Design: Cross-sectional study. Setting: Two leading pain clinics in Israel. Subjects: Our sample included 888 individuals receiving treatment for chronic pain, of whom 99.4% received treatment with prescription opioids or MC. Methods: Problematic use of prescription opioids and MC was assessed using DSM-IV criteria, Portenoy’s Criteria (PC), and the Current Opioid Misuse Measure (COMM) questionnaire. Additional sociodemographic and clinical correlates of problematic use were also assessed. Results: Among individuals treated with prescription opioids, prevalence of problematic use of opioids according to DSM-IV, PC, and COMM was 52.6%, 17.1%, and 28.7%, respectively. Among those treated with MC, prevalence of problematic use of cannabis according to DSM-IV and PC was 21.2% and 10.6%, respectively. Problematic use of opioids and cannabis was more common in individuals using medications for longer periods of time, reporting higher levels of depression and anxiety, and using alcohol or drugs. Problematic use of opioids was associated with higher self-reported levels of pain, and problematic use of cannabis was more common among individuals using larger amounts of MC. Conclusions: Problematic use of opioids is common among chronic pain patients treated with prescription opioids and is more prevalent than problematic use of cannabis among those receiving MC. Pain patients should be screened for risk factors for problematic use before initiating long-term treatment for pain-control.
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 | 0,003 | 0,004 |
| 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 | 0,001 |
| 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) | 0,001 | 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 ».