Prescriber adherence to guidelines for chronic noncancer pain management with opioids: Systematic review and meta-analysis.
Notice bibliographique
Résumé
OBJECTIVE: This review quantified prescriber adherence to opioid prescribing guidelines for chronic noncancer pain (CNCP). METHOD: We searched CINAHL, Embase, MEDLINE, PsycINFO, the Cochrane Library, and the Joanna Briggs Institute EBP Database from inception until June 3, 2019. Studies that focused on provider adherence to opioids guidelines for CNCP in North America were eligible. Four reviewers screened studies, extracted data, and assessed study quality. RESULTS: = 22,512 patients). Survey data indicated that adherence was 49% (95% CI [40, 59]) for treatment agreements, 33% (95% CI [19%, 47%]) for urine drug testing, 48% (95% CI [26%, 71%]) for consultation with drug monitoring program, 57% (95% CI [35%, 79%]) for assessing risk of aberrant medication-taking behavior, and 61% (95% CI [35%, 87%]) for mental health screening. Chart review data indicated that the proportion of patients with documentation was 40% (95% CI [29, 51]) for treatment agreements, 41% (95% CI [32%, 50%]) for urine drug testing, 40% (95% CI [2%, 78%]) for consultation with drug monitoring program, 41% (95% CI [20%, 64%]) for assessing risk of aberrant medication-taking behavior, and 22% (95% CI [9%, 33%]) for mental health screening. Year of publication, practice guideline referenced, and risk of bias explained significant heterogeneity. No study evaluated whether nonadherence to recommendations reflected well-justified deviations to care. CONCLUSIONS: Adherence to guideline recommendations for opioids for CNCP is low. It is unclear whether nonadherence reflects thoughtful deviations in care. (PsycInfo Database Record (c) 2020 APA, all rights reserved).
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,013 | 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 | 0,000 |
| 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 ».