Assessment and Treatment of Pain during In‐Office Otolaryngology Procedures: A Systematic Review
Notice bibliographique
Résumé
Objective To qualitatively assess practices of periprocedural pain assessment and control and to evaluate the effectiveness of interventions for pain during in‐office procedures reported in the otolaryngology literature through a systematic review. Data Sources PubMed, CINAHL, and Web of Science searches from inception to 2018. Review Methods English‐language studies reporting qualitative or quantitative data for periprocedural pain assessment in adult patients undergoing in‐office otolaryngology procedures were included. Risk of bias was assessed via the Cochrane Risk of Bias or Cochrane Risk of Bias in Non‐Randomized Studies of Interventions tools as appropriate. Two reviewers screened all articles. Bias was assessed by 3 reviewers. Results Eighty‐six studies describing 32 types of procedures met inclusion criteria. Study quality and risk of bias ranged from good to serious but did not affect assessed outcomes. Validated methods of pain assessment were used by only 45% of studies. The most commonly used pain assessment was patient tolerance, or ability to simply complete a procedure. Only 5.8% of studies elicited patients’ baseline pain levels prior to procedures, and a qualitative assessment of pain was done in merely 3.5%. Eleven unique pain control regimens were described in the literature, with 8% of studies failing to report method of pain control. Conclusion Many reports of measures and management of pain for in‐office procedures exist but few employ validated measures, few are standardized, and current data do not support any specific pain control measures over others. Significant opportunity remains to investigate methods for improving patient pain and tolerance of in‐office procedures.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,000 |
| Bibliométrie | 0,001 | 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 ».