A Systematic Review of Behavioral Interventions to Decrease Opioid Prescribing After Surgery
Notice bibliographique
Résumé
OBJECTIVE: The aim of this study was to summarize strategies to reduce postsurgical opioid prescribing at discharge. SUMMARY BACKGROUND DATA: Current practices for the prescription of opioids at discharge after surgery are highly variable and often excessive. We conducted a systematic review to identify behavioral interventions designed to improve these practices. METHODS: We searched MEDLINE, EMBASE, CINAHL, and PsycINFO until December 14, 2018 to identify studies of behavioral interventions designed to decrease opioid prescribing at discharge among adults undergoing surgery. Behavioral interventions were defined according to the Cochrane Effective Practice and Organisation of Care (EPOC) taxonomy. We assessed the risk of bias of included studies using criteria suggested by Cochrane EPOC and the Newcastle-Ottawa scale. RESULTS: Of 8048 citations that were screened, 24 studies were included in our review. Six types of behavioral interventions were identified: local consensus-based processes (18 studies), patient-mediated interventions (2 studies), clinical practice guidelines (1 study), educational meetings (1 study), interprofessional education (1 study), and clinician reminder (1 study). All but one study reported a statistically significant decrease in the amount of opioid prescribed at discharge after surgery, and only 2 studies reported evidence of increased pain intensity. Reductions in prescribed opioids ranged from 34.4 to 212.3 mg morphine equivalents. All studies were found to have medium-to-high risks of bias. CONCLUSIONS: We identified 6 types of behavioral strategies to decrease opioid prescription at discharge after surgery. Despite the risk of bias, almost all types of intervention seemed effective in reducing opioid prescriptions at discharge after surgery without negatively impacting pain control.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,010 | 0,007 |
| 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) | 0,001 | 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 ».