Association between supportive interventions and healthcare utilization and outcomes in patients on long-term prescribed opioid therapy presenting to acute healthcare settings: a systematic review and meta-analysis
Notice bibliographique
Résumé
Abstract Background Long-term prescription of opioids by healthcare professionals has been linked to poor individual patient outcomes and high resource utilization. Supportive strategies in this population regarding acute healthcare settings may have substantial impact. Methods We performed a systematic review and meta-analysis of primary studies. The studies were included according to the following criteria: 1) age 18 and older; 2) long-term prescribed opioid therapy; 3) acute healthcare setting presentation from a complication of opioid therapy; 4) evaluating a supportive strategy; 5) comparing the effectiveness of different interventions; 6) addressing patient or healthcare related outcomes. We performed a qualitative analysis of supportive strategies identified. We pooled patient and system related outcome data for each supportive strategy. Results A total of 5664 studies were screened and 19 studies were included. A total of 9 broad categories of supportive strategies were identified. Meta-analysis was performed for the “supports for patients in pain” supportive strategy on two system-related outcomes using a ratio of means. The number of emergency department (ED) visits were significantly reduced for cohort studies ( n = 6, 0.36, 95% CI [0.20–0.62], I 2 = 87%) and randomized controlled trials (RCTs) ( n = 3, 0.71, 95% CI [0.61–0.82], I 2 = 0%). The number of opioid prescriptions at ED discharge was significantly reduced for RCTs ( n = 3, 0.34, 95% CI [0.14–0.82], I 2 = 78%). Conclusion For patients presenting to acute healthcare settings with complications related to long-term opioid therapy, the intervention with the most robust data is “supports for patients in pain”.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,009 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».