<p>Characteristics of physicians who prescribe opioids for chronic pain: a meta-narrative systematic review</p>
Notice bibliographique
Résumé
Background: The primary objective of this systematic review was to identify the characteristics of physicians who prescribe opioids to adults with chronic pain. This review was limited to studies examining fully-trained physicians, as relevant characteristics of resident physicians and non-physician clinicians may differ. Methods: A comprehensive search of databases from January 1, 1980 to December 5, 2017 was conducted. Eligible study designs included (1) randomized trials; (2) nonrandomized prospective and retrospective studies; and (3) cross-sectional observational studies. The risk of bias in the included studies was assessed using an adapted version of the Newcastle-Ottawa Scale for cross-sectional studies. A total of 2508 records were screened and 22 studies met inclusion criteria. The majority of studies were cross-sectional (n=20) and the total number of participants was 8433. Results: The risk of bias was high overall. The majority of physicians were confident managing and prescribing opioids for chronic pain but had high levels of dissatisfaction. Physicians reported high awareness of the potential for opioid misuse and were concerned about inadequate prior training in pain management. The majority of physicians were less likely to prescribe for patients with a history of substance abuse and reported major concerns about regulatory scrutiny. Conclusion: This systematic review provides the foundation for the development of prospective studies aimed at further elucidating the constellation of mechanisms that influence physicians who manage pain and prescribe opioids. Keywords: systematic review, opioid, prescription, physician characteristics
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 | 0,017 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| 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 ».