Linking opioid-induced hyperalgesia and withdrawal-associated injury site pain: a case report
Notice bibliographique
Résumé
INTRODUCTION AND OBJECTIVES: Understanding the details of one individual's experience with pain, opioid use and withdrawal may generate insights into possible relationships between opioid-induced hyperalgesia and withdrawal-associated injury site pain (WISP). METHODS: This case study was extracted from a mixed methods study that characterized WISP. In 2014, the individual was recruited from a primary care clinic that prescribes opioid agonist therapy. In an interview, she completed a 35-item survey and elaborated on her own experience. Follow-up contact was made in June of 2017. RESULTS: This 34-year-old white woman had several twisting injuries of her right knee between ages 13 and 15. The pain resolved each time in a few days, and she was pain free for 15 years. Around age 30, she initiated illicit oxycodone recreationally (not for pain) and developed an opioid use disorder. On detoxification, she experienced severe knee pain for 6 weeks that resolved postdetoxification but returned after subsequent oxycodone use and withdrawal episodes along with generalized skin sensitivity. This experience of WISP became a barrier to opioid cessation. Although nonsteroidal anti-inflammatories and gabapentin relieved WISP and methadone therapy assisted her opioid use disorder, an eventual change to sublingual buprenorphine/naloxone provided superior control of both. CONCLUSION: This case report illustrates that both opioid use and withdrawal can reactivate injury site pain, which can increase with dose escalation and repeated withdrawal events. The timing, trajectory, and neuropathic features of WISP reported here are consistent with those previously reported for the development of opioid-induced hyperalgesia, possibly linking these phenomena.
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 | 0,004 | 0,002 |
| 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 ».