Nonopioid drug combinations for cancer pain: protocol for a systematic review
Notice bibliographique
Résumé
INTRODUCTION: Pain related to cancer, and its treatment, is common, may severely impair quality of life, and imposes a burden on patients, their families and caregivers, and society. Cancer-related pain is often challenging to manage, with limitations of analgesic drugs including incomplete efficacy and dose-related adverse effects. OBJECTIVES: Given problems with, and limitations of, opioid use for cancer-related pain, the identification of nonopioid treatment strategies that could improve cancer pain care is an attractive concept. The hypothesis that combinations of mechanistically distinct analgesic drugs could provide superior analgesia and/or fewer adverse effects has been tested in several pain conditions, including in cancer-related pain. Here, we propose to review trials of nonopioid analgesic combinations for cancer-related pain. METHODS: Using a predefined literature search strategy, trials-comparing the combination of 2 or more nonopioid analgesics with at least one of the combination's individual components-will be searched on the PubMed and EMBASE databases from their inception until the date the searches are run. Outcomes will include pain intensity or relief, adverse effects, and concomitant opioid consumption. RESULTS/CONCLUSIONS: This review is expected to synthesize available evidence describing the efficacy and safety of nonopioid analgesic combinations for cancer-related pain. Furthermore, a review of this literature will serve to identify future research goals that would advance our knowledge in this area.
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 | 0,009 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| 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 ».