A Systematic Review and Meta-analysis of Methods for Reducing Local Anesthetic Injection Pain Among Patients Undergoing Periocular Surgery
Notice bibliographique
Résumé
PURPOSE: Various factors help minimize pain during the injection of local anesthetic. The majority of current evidence involves nonspecific injection sites. The objective of this review was to provide a comprehensive summary of all existing evidence for methods used to reduce injection pain specifically in the context of periocular procedures. METHODS: A literature search of the MEDLINE, EMBASE, and Scopus databases was conducted to identify all relevant experimental and observational studies from 1946 to 2018. Studies were included of patients undergoing periocular surgery under subcutaneous local anesthesia whereby outcomes were reported following a specific intervention intended to help reduce pain. Risk of bias was assessed using recognized tools. A subgroup meta-analysis was performed to indirectly compare pooled intervention-versus-control differences for various pain reduction interventions. RESULTS: Following the review of 2089 search results, 23 articles representing 1135 patients were included. The methods assessed in the studies included choice of anesthetic agent, buffering, warming, dilution, needle type, administration of an inhalational anesthetic, application of topical anesthetics, iontophoresis, skin cooling with ice, tactile distraction with vibration, and decreasing the rate of injection. CONCLUSIONS: Methods demonstrating best efficacy included solution modification (buffering, dilution, warming), skin cooling with ice, vibration, transconjunctival topical anesthetic before injection, and decreased rate of injection. Further study is warranted for modification of equipment factors, topical anesthetics, and strategies to reduce pain because of anesthetic infiltration.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,012 | 0,005 |
| 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 ».