The relationship between patients’ income and education and their access to pharmacological chronic pain management: A scoping review
Notice bibliographique
Résumé
Background: Though chronic pain is widespread, affecting about one-fifth of the world's population, its impacts are disproportionately felt across the population according to socioeconomic determinants such as education and income. These factors also influence patients' access to treatment, including pharmacological pain management. Aim: A scoping review was undertaken to better understand the association of socioeconomic factors with physicians' pain management prescribing patterns for adults living with chronic pain. Methods: An electronic literature search was conducted using the EMBASE, CINAHL, SCOPUS, and Ovid MEDLINE databases and 31 retrieved articles deemed relevant for analyses were critically appraised. Results: The available evidence indicates that patients' lower socioeconomic status is associated with a greater likelihood of being prescribed opioids to manage their chronic pain and a decreased likelihood of receiving prescription medications to manage migraines, rheumatoid arthritis, and osteoarthritis. Conclusions: These results suggest that individuals with lower socioeconomic status do not receive equal prescription medicine opportunities to manage their chronic pain conditions. This is influenced by a variety of intersecting variables, including access to care, the potential unaffordability of certain therapies, patients' health literacy, and prescribing biases. Future research is needed to identify interventions to improve equity of access to therapies for patients with chronic pain living in lower socioeconomic situations as well as to explain the mechanism through which socioeconomic status affects chronic pain treatment choices by health care providers. Abbreviation: SES: socioeconomic status; RA: rheumatoid arthritis; IV: intravenous; SC: subcutaneous; bDMARDs: biological disease-modifying antirheumatic drugs; DMARDS; disease-modifying antirheumatic drugs; TNFi: tumour necrosis factor inhibitors; NSAIDs: non-steroidal anti-inflammatory drugs.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,063 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,014 | 0,016 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».