Attitudes Toward Opioids and Risk of Misuse/Abuse in Patients with Chronic Noncancer Pain Receiving Long-term Opioid Therapy
Notice bibliographique
Résumé
Objectives: To determine the attitudes of patients toward long-term opioid therapy (LtOT) and the potential risk of misuse/abuse in patients with chronic noncancer pain (CNCP). Design: Prospective, descriptive epidemiological study. Setting: Multidisciplinary tertiary care pain center within the Montreal University Health Center. Subjects: Patients who had had at least one visit at least one year prior to the invitation. Methods: We used four questionnaires: demographic questionnaire, the Drug Attitude Inventory Modified (DAI-M), the Opioid Risk Tool (ORT), and the Screening Tool for Addiction Risk (STAR). All questionnaires were administered in their validated French version. Results: Three hundred seventy patients completed questionnaires. The response rate was 79.26%. Of those who responded, 61.62% women and 38.38% men, the mean age was 57 years. The patients had been treated with LtOT for an average of 6.31 years, and the median dose per day in morphine equivalents was 48.21 mg. The DAI-M showed that 32.16% had a positive attitude toward opioids, 39.73% had a negative attitude, and 22.16% had a neutral attitude. The ORT questionnaire demonstrated that 86.2% of the patients were at low risk of abuse/misuse, 13.2% were at moderate risk, and only 0.54% were at high risk. The STAR questionnaire showed that 4.2% had a low risk of abuse/misuse. Conclusions: Despite public opinion, patients treated with LtOT for CNCP and followed in a tertiary care pain center are at low risk for opioid misuse/abuse. We need to refine the way of prescribing opioids, should be selective with our patients, and should relive their pain adequately.
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 | 0,002 | 0,000 |
| 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 | 0,000 |
| 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 ».