Early Prescription Opioid Use for Musculoskeletal Disorders and Work Outcomes
Notice bibliographique
Résumé
OBJECTIVES: Musculoskeletal disorders (MSDs) are a common source of work disability. Opioid prescribing for MSDs has been on the rise, despite a lack of data on effectiveness. The objective of this study was to conduct a systematic review to determine whether early receipt of opioids is associated with future work outcomes among workers with MSDs compared with other analgesics, no analgesics, or placebo. METHODS: MEDLINE, EMBASE, CINAHL, and CENTRAL were searched from inception to 2014 and reference lists were scanned. Studies were included if opioids were prescribed within 12 weeks of MSD onset. Eligible outcomes included absenteeism, work status, receiving disability payments, and functional status. Two reviewers independently reviewed articles for relevance, risk of bias, and data extraction using standardized forms. Data synthesis using best evidence synthesis methods was planned. RESULTS: Five historical cohort studies met the inclusion criteria, all including workers filing wage compensation claims. Four studies demonstrated a significant association between early opioids and prolonged work disability. One study found a shorter time between prescriptions to be associated with shorter work disability. However, all studies were found to be at a high risk of bias and a best evidence synthesis could not be conducted. The main limitations identified were with exposure measurement and control of confounding. DISCUSSION: Current literature suggests that opioids provided within the first 12 weeks of onset of an MSD are associated with prolonged work disability. However, the conclusions of these studies need testing in a high-quality study that addresses the methodological shortcomings identified in the current review.
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 | 0,006 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,001 | 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 ».