Impact of COVID-19 pandemic on chronic pain and opioid use in marginalized populations: A scoping review
Notice bibliographique
Résumé
Introduction: The COVID-19 pandemic has had a variable effect on vulnerable populations, including patients with chronic pain who rely on opioid treatment or have comorbid opioid use disorder. Limited access to care due to isolation measures may lead to increased pain severity, worse mental health symptoms, and adverse opioid-related outcomes. This scoping review aimed to understand the impact of the COVID-19 pandemic on the dual epidemics of chronic pain and opioids in marginalized communities worldwide. Methods: Searches of primary databases including PubMed, Web of Science, Scopus, and PsycINFO were performed in March 2022, restricting the publication date to December 1, 2019. The search yielded 685 articles. After title and abstract screening, 526 records were screened by title and abstract, 87 through full-text review, of which 25 articles were included in the final analysis. Results: Our findings illuminate the differential distribution of pain burden across marginalized groups and how it serves to heighten existing disparities. Service disruptions due to social distancing orders and infrastructural limitations prevented patients from receiving the care they needed, resulting in adverse psychological and physical health outcomes. Efforts to adapt to COVID-19 circumstances included modifications to opioid prescribing regulations and workflows and expanded telemedicine services. Conclusion: Results have implications for the prevention and management of chronic pain and opioid use disorder, such as challenges in adopting telemedicine in low-resource settings and opportunities to strengthen public health and social care systems with a multidisciplinary and multidimensional approach.
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 | 0,005 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| 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 | 0,001 |
| 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 ».