Emergence From the COVID-19 Pandemic and the Care of Chronic Pain: Guidance for the Interventionalist
Notice bibliographique
Résumé
BACKGROUND: The current coronavirus disease 2019 (COVID-19) pandemic led to a significant disruption in the care of pain from chronic and subacute conditions. The impact of this cessation of pain treatment may have unintended consequences of increased pain, reduced function, increased reliance on opioid medications, and potential increased morbidity, due to the systemic impact of untreated disease burden. This may include decreased mobility, reduction in overall health status, and increase of opioid use with the associated risks. METHODS: The article is the study of the American Society of Pain and Neuroscience (ASPN) COVID-19 task force to evaluate the policies set forth by federal, state, and local agencies to reduce or eliminate elective procedures for those patients with pain from spine, nerve, and joint disease. The impact of these decisions, which were needed to reduce the spread of the pandemic, led to a delay in care for many patients. We hence review an emergence plan to reinitiate this pain-related care. The goal is to outline a path to work with federal, state, and local authorities to combat the spread of the pandemic and minimize the deleterious impact of pain and suffering on our chronic pain patients. RESULTS: The article sets forth a strategy for the interventional pain centers to reemerge from the current pandemic and to set a course for future events. CONCLUSIONS: The COVID-19 pandemic represents an overwhelming challenge to interventional pain physicians and their patients. In addition to urgent actions needed for disease mitigation, the ASPN recommends a staged return to pain management professionals' workflow.
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 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».