MétaCan
Menu
Retour à la cohorte
Enregistrement W3034744030 · doi:10.2106/jbjs.rvw.19.00154

Factors Predictive of Prolonged Postoperative Narcotic Usage Following Orthopaedic Surgery

2020· review· en· W3034744030 sur OpenAlexaff
Ophelie Lavoie‐Gagne, Benedict U. Nwachukwu, Answorth A. Allen, Timothy Leroux, Yining Lu, Brian Forsythe

Notice bibliographique

RevueJBJS Reviews · 2020
Typereview
Langueen
DomaineMedicine
ThématiqueOpioid Use Disorder Treatment
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMedicineOpioidOxycodoneRelative riskCINAHLNarcoticOrthopedic surgeryChronic painMEDLINESubspecialtyFibromyalgiaInternal medicineAnesthesiaPhysical therapySurgeryPsychiatryConfidence interval

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The purpose of this comprehensive review was to investigate risk factors associated with prolonged opioid use after orthopaedic procedures. A comprehensive review of the opioid literature may help to better guide preoperative management of expectations as well as opioid-prescribing practices. METHODS: A systematic review of all studies pertaining to opioid use in relation to orthopaedic procedures was conducted using the MEDLINE, Embase, and CINAHL databases. Data from studies reporting on postoperative opioid use at various time points were collected. Opioid use and risk of prolonged opioid use were subcategorized by subspecialty, and aggregate data for each category were calculated. RESULTS: There were a total of 1,445 eligible studies, of which 45 met inclusion criteria. Subspecialties included joint arthroplasty, spine, trauma, sports, and hand surgery. A total of 458,993 patients were included, including 353,330 (77%) prolonged postoperative opioid users and 105,663 (23%) non-opioid users. Factors associated with prolonged postoperative opioid use among all evaluated studies included body mass index (BMI) of ≥40 kg/m (relative risk [RR], 1.06 to 2.32), prior substance abuse (RR, 1.08 to 3.59), prior use of other medications (RR, 1.01 to 1.46), psychiatric comorbidities (RR, 1.08 to 1.54), and chronic pain conditions including chronic back pain (RR, 1.01 to 10.90), fibromyalgia (RR, 1.01 to 2.30), and migraines (RR, 1.01 to 5.11). Age cohorts associated with a decreased risk of prolonged postoperative opioid use were those ≥31 years of age for hand procedures (RR, 0.47 to 0.94), ≥50 years of age for total hip arthroplasty (RR, 0.70 to 0.80), and ≥70 years of age for total knee arthroplasty (RR, 0.40 to 0.80). Age cohorts associated with an increased risk of prolonged postoperative opioid use were those ≥50 years of age for sports procedures (RR, 1.11 to 2.57) or total shoulder arthroplasty (RR, 1.26 to 1.40) and those ≥70 years of age for spine procedures (RR, 1.61). Identified risk factors for postoperative use were similar across subspecialties. CONCLUSIONS: We provide a comprehensive review of the various preoperative and postoperative risk factors associated with prolonged opioid use after elective and nonelective orthopaedic procedures. Increased BMI, prior substance abuse, psychiatric comorbidities, and chronic pain conditions were most commonly associated with prolonged postoperative opioid use. Careful consideration of elective surgical intervention for painful conditions and perioperative identification of risk factors within each patient's biopsychosocial context will be essential for future modulation of physician opioid-prescribing patterns. LEVEL OF EVIDENCE: Prognostic Level IV. See Instructions for Authors for a complete description of levels of evidence.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,023
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,023
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0030,004
Bibliométrie0,0080,010
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,104
Tête enseignante GPT0,366
Écart entre enseignants0,262 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations32
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJBJS ReviewsMême sujetOpioid Use Disorder TreatmentTravaux en français237 207