Frequency of Concomitant Use of Gabapentinoids and Opioids among Patients with Cancer-Related Pain at an Outpatient Palliative Care Clinic
Notice bibliographique
Résumé
Background: Patients with cancer-related pain use opioids for nociceptive pain, while gabapentinoids are common to treat neuropathic pain. The simultaneous use of opioids with gabapentinoids has been associated with an increased risk of opioid-related death. Objectives: Determine the frequency of combined use of gabapentinoids among patients receiving opioids for cancer-related pain. We also examined if concomitant use of opioids and gabapentinoids together was associated with increased scores of fatigue and drowsiness on the Edmonton Symptom Assessment Scale (ESAS) compared to patients on opioids. Design: Retrospective study of patients on opioids and opioids plus gabapentinoids at their third visit to the outpatient Supportive Care Center. Results: We found that 48% (508/1059) of patients were on opioids. Of these patients, 51% (257/508) were on opioids only, and 49% (251/508) were on opioids plus gabapentinoids. The median (interquartile range [IQR]) morphine equivalent daily dose for patients on opioids was 75 (45, 138) mg, and opioids plus gabapentinoids was 68 (38, 150) mg ( p = 0.94). The median (IQR) gabapentinoid equivalent daily dose was 900 (300, 1200) mg. The median (IQR) for ESAS-fatigue in patients on opioids was 5 (3, 7), and opioids plus gabapentinoids was 5 (3, 7) ( p = 0.27). The median (IQR) for ESAS-drowsiness in patients on opioids was 3 (0, 5), and opioids plus gabapentinoids was 3 (0, 6) ( p = 0.11). Conclusion: Almost 50% of advanced cancer patients receiving opioids for pain were exposed to gabapentinoids. Maximal efforts should be made to minimize potential complications from the concomitant use of opioids with gabapentinoids.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 ».