What interventions are effective to taper opioids in patients with chronic pain?
Notice bibliographique
Résumé
### What you need to know Opioids are commonly prescribed for short term pain relief in people with chronic pain (not caused by cancer). If they are used long term, most patients develop tolerance, their pain increases, and clinicians gradually escalate the dose (fig 1). Sales of prescribed opioids in the USA quadrupled between 2000 and 2010.1 Media have reported the harms of dependence23 and the increasing number of deaths from accidental overdose.45678910 Other long term harms include immune suppression, hormonal imbalance, falls and fractures, acute myocardial infarction, addiction, sedation, and cognitive impairment.11 Fig 1 Long term use of opioids leads to tolerance and increased levels of pain There is very little guidance on withdrawing or tapering opioids in chronic pain (not caused by cancer). People can fear pain, withdrawal symptoms, a lack of social and healthcare support, and they may also distrust non-opioid methods of pain management.12 People may experience flu like symptoms, irritability, anxiety, nausea, diarrhoea, shivering, yawning, sweating, and altered sleep, generalised aches and pains, and abdominal cramps when they stop opioids.13 It is important to distinguish physical dependence on opioids (the physiological responses and symptoms above) from addiction (a compulsive need to take opioids for pleasure).14 Fewer than one in 30 …
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,028 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».