The Effect of Cryotherapy Application on Postoperative Pain
Notice bibliographique
Résumé
OBJECTIVE: To systematically review and meta-analyze whether the application of cryotherapy on closed incisions reduces postoperative pain and opioid consumption. BACKGROUND: Reduction of acute pain and opioid use is important in the postoperative phase of patient care. ''Cryotherapy'' refers to the use of low temperatures for therapeutic purposes. METHODS: MEDLINE, EMBASE, Cochrane Central Register of Controlled Trials and Online registries of clinical trial were search until October 2019. RCT that examined postoperative application of cryotherapy over surgical incisions in adults compared to no cryotherapy were eligible. Selection, extraction, and risk of bias appraisal were completed in duplicate. Data were synthesized using random effects meta-analyses. The outcomes of interest were postoperative pain, opioid use, hospital length of stay (LOS) and surgical site infection (SSI). RESULTS: Fifty-one RCTs (N = 3425 patients) were included. With moderate certainty evidence, patients treated with cryotherapy experienced a reduction in pain on postoperative day 1 (standardized mean differences -0.50, 95% CI -0.71 to -0.29, l 2= 74%) and day 2 (standardized mean differences -0.63, 95% CI -0.91 to -0.35, I 2 = 83%) relative to without cryotherapy application. With moderate certainty of evidence, cryotherapy reduces opioid consumption in morphine milliequivalents and morphine milliequivalents/kg, (mean differences -7.43, 95% CI -12.42, -2.44, I 2 = 96%) and (mean differences -0.89, 95% CI -1.45, -0.33, I 2 = 99%), respectively. With low certainty evidence, cryotherapy does not affect hospital LOS or rate of SSI. CONCLUSION: Cryotherapy is a pragmatic, noncostly intervention that reduces postoperative pain and opioid consumption with no effect on SSI rate or hospital LOS.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».