A Scoping Review of Gaps Identified by Primary Care Providers in Caring for Patients with Chronic Noncancer Pain
Notice bibliographique
Résumé
Introduction/Aim: Primary care providers (PCPs), who provide the bulk of care for patients with chronic noncancer pain (CNCP), often report knowledge gaps, limited resources, and difficult patient encounters while managing chronic pain. This scoping review seeks to evaluate gaps identified by PCPs in providing care to patients with chronic pain. Methods: The Arksey and O'Malley framework was used for this scoping review. A broad literature search was conducted for relevant articles on gaps in knowledge and skills of PCPs and in their health care environment for managing chronic pain, with multiple search term derivatives for concepts of interest. Articles from the initial search were screened for relevance, yielding 31 studies. Inductive and deductive thematic analysis was adopted. Results: The studies included in this review reflected a variety of study designs, settings, and methods. However, consistent themes emerged with respect to gaps in knowledge and skills for assessment, diagnosis, treatment, and interprofessional roles in chronic pain, as well as broader systemic issues including attitudes toward CNCP. A general lack of confidence in tapering high dose or ineffective opioid regimes, professional isolation, challenges in managing patients with CNCP with complex needs, and limited access to pain specialists were reported by PCPs. Discussion/Conclusions: This scoping review revealed common elements across the selected studies that will be useful in guiding creation of targeted supports for PCPs to manage CNCP. This review also yielded insights for pain clinicians at tertiary centers for supporting their PCP colleagues as well as systemic reforms required to support patients with CNCP.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 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 ».