Mitigating the risk of opioid abuse through a balanced undergraduate pain medicine curriculum
Notice bibliographique
Résumé
Patricia K Morley-Forster,1,2 Joseph V Pergolizzi,3–5 Robert Taylor Jr,5 Robert A Axford-Gatley,6 Edward M Sellers71Department of Anesthesia and Perioperative Medicine, University of Western Ontario, London, ON, Canada; 2Outpatient Pain Clinic, St Joseph’s Hospital, London, ON, Canada; 3Department of Medicine, Johns Hopkins University School of Medicine, Baltimore, MD, USA; 4Department of Pharmacology, Temple University School of Medicine, Philadelphia, PA, USA; 5NEMA Research Inc, Naples, FL, USA; 6Clinical Content and Editorial Services, Complete Healthcare Communications, Inc, Chadds Ford, PA, USA; 7DL Global Partners Inc, Toronto, ON, CanadaAbstract: Chronic pain is highly prevalent in the United States and Canada, occurring in an estimated 30% of the adult population. Despite its high prevalence, US and Canadian medical schools provide very little training in pain management, including training in the safe and effective use of potent analgesics, most notably opioids. In 2005, the International Association for the Study of Pain published recommendations for a core undergraduate pain management curriculum, and several universities have implemented pilot programs based on this curriculum. However, when outcomes have been formally assessed, these initiatives have resulted in only modest improvements in physician knowledge about chronic pain and its treatment. This article discusses strategies to improve undergraduate pain management curricula and proposes areas in which those efforts can be augmented. Emphasis is placed on opioids, which have great potency as analgesics but also substantial risks in terms of adverse events and the risk of abuse and addiction. The authors conclude that the most important element of an undergraduate pain curriculum is clinical experience under mentors who are capable of reinforcing didactic learning by modeling best practices.Keywords: chronic pain, curricular content, medical education, opioids, pain education, pain knowledge, physician training, teaching
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 | 0,005 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».