Clinical Decision Support Systems for Opioid Prescribing for Chronic Non-Cancer Pain in Primary Care: A Scoping Review
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Clinical decision support systems (CDSSs) may help clinicians prescribe opioids for chronic noncancer pain (CNCP) more appropriately. This scoping review determined the extent and range of the current evidence on CDSSs for opioid prescribing for CNCP in primary care, and whether investigators followed best evidence and current guidance in designing, implementing and evaluating these complex interventions. METHODS: We searched 9 electronic databases and other data sources for studies from January 1, 2008 to October 11, 2019. Two reviewers independently screened the citations. One reviewer extracted data and a second verified for accuracy. INCLUSION CRITERIA: study of a CDSS for opioid prescribing for CNCP in a primary care clinical setting. We reported quantitative results in tables and qualitative results in narrative form. RESULTS: Our search yielded 5068 records, of which 14 studies met our inclusion criteria. All studies were conducted in the United States. Six studies examined local (eg, health center) CDSSs and 8 examined prescription drug monitoring program CDSSs. Three CDSSs incorporated evidence-based components. Study aims were heterogeneous and study designs included both quantitative and qualitative methodologies. No studies assessed patient health outcomes. Few studies appeared to be following guidance for evaluating complex interventions. CONCLUSIONS: Few studies have rigorously assessed the use of CDSSs for opioid prescribing for CNCP in primary care settings. Going forward, investigators should include evidence-based components into the design of CDSSs and follow guidance for the development and evaluation of complex interventions.
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».