Efficacy of interventions targeted at physician prescribers of opioids for chronic non-cancer pain: an overview of systematic reviews
Notice bibliographique
Résumé
BACKGROUND: To combat the opioid crisis, interventions targeting the opioid prescribing behaviour of physicians involved in the management of patients with chronic non-cancer pain (CNCP) have been introduced in clinical settings. An integrative synthesis of systematic review evidence is required to better understand the effects of these interventions. Our objective was to synthesize the systematic review evidence on the effect of interventions targeting the behaviours of physician opioid prescribers for CNCP among adults on patient and population health and prescriber behaviour. METHODS: We searched MEDLINE, Embase, and PsycInfo via Ovid; the Cochrane Database of Systematic Reviews; and Epistemonikos. We included systematic reviews that evaluate any type of intervention aimed at impacting opioid prescriber behaviour for adult CNCP in an outpatient setting. RESULTS: We identified three full texts for our review that contained 68 unique primary studies. The main interventions we evaluated were structured prescriber education (one review) and prescription drug monitoring programmes (PDMPs) (two reviews). Due to the paucity of data available, we could not determine with certainty that education interventions improved outcomes in deprescribing. There is some evidence that PDMPs decrease the number of adverse opioid-related events, increase communication among healthcare workers and patients, modify healthcare practitioners' approach towards their opioid prescribed patients, and offer more chances for education and counselling. CONCLUSIONS: Our overview explores the possibility of PDMPs as an opioid deprescribing intervention and highlights the need for more high-quality primary research on this topic.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,009 | 0,003 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».