Factors influencing general practitioners’ prescribing choices for patients with chronic low back pain: a discrete choice experiment
Notice bibliographique
Résumé
Background and aims: Opioids are commonly prescribed to patients with chronic low back pain (LBP) despite risks of harms. We conducted a discrete choice experiment (DCE) to determine factors contributing to a general practitioner’s (GP’s) decision to prescribe either an opioid or an NSAID to a patient with chronic LBP. Methods: GPs recruited through an online survey distributed in Australia were presented with 12 questions that represented hypothetical clinical scenarios of a patient with chronic LBP. The clinical scenario varied by two patient attributes; LBP with or without referred leg pain (sciatica) and comorbidities. Participants chose their preferred alternative either an opioid, NSAID or neither (“opt-out”). Each alternative varied by three clinical attributes: the type of opioid or NSAID, the degree of pain reduction and number of adverse events. Results: 210 GPs participated in the survey. Overall, GPs preferred to prescribe an NSAID (45.2%, 95% CI 38.7% to 51.7%) over an opioid (28.8%, 95% CI 23.0% to 34.7%). However, there was no difference between the type of NSAID or opioid preferred. Patient attributes of comorbidities (zero, one, two or three), and the presence of referred leg pain (sciatica) did not influence prescribing preferences, nor did clinical attributes of pain reduction and adverse events. Conclusions: GPs prefer to prescribe an NSAID over an opioid for a patient with chronic LBP. This preference appeared fixed and was not changed by clinical (drug type, degree of pain reduction or number of adverse events) or patient attributes (comorbidities or presence of referred leg 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 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 | 0,019 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».