Predictors of Post‐operative Pain and Opioid Consumption in Patients Undergoing Liver Surgery
Notice bibliographique
Résumé
BACKGROUND: Post-operative pain management is a critical component of perioperative care. Patients at risk of poorly controlled post-operative pain may benefit from early measures to optimize pain management. We sought to identify risk factors for post-operative pain and opioid consumption in patients undergoing liver resection. METHODS: This is a multi-institutional prospective nested cohort study of patients undergoing open liver resection. Opioid consumption and pain scores were collected following surgery. To estimate the effects of patient factors on opioid consumption (oral morphine equivalents-OME) and on pain scores (NRS-11), we used generalized linear models and multivariable linear regression model, respectively. RESULTS: One hundred and fifty-three patients who underwent open liver resection between 2013 and 2016 were included in the study. The mean patient age was 62.2 years, and 43.3% were female. Younger patients were significantly more likely to use more opioids in the early post-operative period (16.7 OME/10 years, p < 0.001). Patient factors that were significantly associated with increased NRS-11 pain scores also included younger patient age (difference in pain score of 0.3/10 years with cough and 0.2/10 years at rest, p < 0.01 for both) as well as a history of analgesic use (difference in pain score of 0.9 with cough and 0.6 at rest, p < 0.01 and p = 0.07, respectively). CONCLUSION: Younger patients and those with a history of analgesic use are more likely to report higher post-operative pain and require higher doses of opioids. Early identification of these patients, and measures to better manage their pain, may contribute to optimal perioperative care.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».