Prevalence, Characteristics, and Management of Chronic Noncancer Pain Among People Who Use Drugs: A Cross-Sectional Study
Notice bibliographique
Résumé
INTRODUCTION: Most studies on chronic noncancer pain (CNCP) in people who use drugs (PWUD) are restricted to people attending substance use disorder treatment programs. This study assessed the prevalence of CNCP in a community-based sample of PWUD, identified factors associated with pain, and documented strategies used for pain relief. METHODS: This was a cross-sectional study nested in an ongoing cohort of PWUD in Montreal, Canada. Questionnaires were administered to PWUD seen between February 2017 and January 2018. CNCP was defined as pain lasting three or more months and not associated with cancer. RESULTS: A total of 417 PWUD were included (mean age = 44.6 ± 10.6 years, 84% men). The prevalence of CNCP was 44.8%, and the median pain duration (interquartile range) was 12 (5-18) years. The presence of CNCP was associated with older age (>45 years old; odds ratio [OR] = 1.8, 95% CI = 1.2-2.7), male sex (OR = 2.3, 95% CI = 1.2-4.2), poor health condition (OR = 1.9, 95% CI = 1.3-3.0), moderate to severe psychological distress (OR = 2.9, 95% CI = 1.8-4.7), and less frequent cocaine use (OR = 0.5, 95% CI = 0.3-0.9). Among CNCP participants, 20.3% used pain medication from other people, whereas 22.5% used alcohol, cannabis, or illicit drugs to relieve pain. Among those who asked for pain medication (N = 24), 29.2% faced a refusal from the doctor. CONCLUSIONS: CNCP was common among PWUD, and a good proportion of them used substances other than prescribed pain medication to relieve pain. Close collaboration of pain and addiction specialists as well as better pain assessment and access to nonpharmacological treatments could improve pain management in PWUD.
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) | 0,000 | 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 ».