In‐hospital opioid consumption, but not pain intensity scores, predicts 6‐month levels of pain catastrophizing following hepatic resection: A trajectory analysis
Notice bibliographique
Résumé
BACKGROUND: The study aims were to model acute pain intensity and opioid consumption trajectories up to 72 hr after open hepatic resection, identify predictors of trajectory membership and examine the association between trajectory memberships and 6-month pain and psychological outcomes. This is a long-term analysis of a published randomized controlled trial on the impact of medial open transversus abdominis plane catheters on post-operative outcomes. METHODS: A total of 152 patients (89 males; mean age 63.0 [range: 54-72]) completed questionnaires on pain and related characteristics pre-operatively and 6 months post-operatively. Total opioid use was recorded several times over a 72-hr period while self-reported pain intensity scores were collected multiple times until hospital discharge. Analyses were carried out using growth mixture modelling, logistic regression and general linear models. RESULTS: Both pain intensity and opioid consumption showed that a four-trajectory model best fits the data. Patients in the lowest opioid consumption trajectory were more likely to be classified in the constant mild pain intensity trajectory. Age and baseline levels of anxiety significantly predicted opioid trajectory membership while baseline depressive symptoms significantly predicted pain intensity trajectory membership. Patients in the two highest opioid consumption trajectories reported significantly higher levels of pain catastrophizing at 6 months compared to patients in the other 3 trajectories (all p < 0.05). CONCLUSION: High consumption of opioids after surgery is associated with higher levels of pain catastrophizing 6 months later. Identification of patients within these trajectories may lead to the development of early interventions targeted to high risk individuals. SIGNIFICANCE: Differences in initial levels of opioid consumption and rates of change in opioid consumption shortly after surgery can help predict long-term psychological responses to pain. Identifying key characteristics associated with initial opioid consumption can lead to the development of cost-effective early interventions targeted to high risk individuals.
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 | 0,014 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».