Chronic pain management in primary care
Notice bibliographique
Résumé
OBJECTIVE: To examine trends in chronic pain (CP) practice patterns among community-based family physicians (FPs). DESIGN: Population-based descriptive study using health administrative data. SETTING: British Columbia from fiscal years 2008-2009 to 2017-2018. PARTICIPANTS: Patients with an algorithm-defined CP condition and community-based FPs, both registered with the British Columbia Medical Services Plan. MAIN OUTCOME MEASURES: Using British Columbia health administrative data and a CP algorithm adapted from a previous study, the following were compared between fiscal years 2008-2009 and 2017-2018: CP patient volumes, pain-related medication prescriptions, referrals to pain specialists, musculoskeletal imaging requests, and interventional procedures. RESULTS: In the fiscal year 2017-2018, among community-based family physicians (N=4796), an average of 32.5% of their patients had CP. Between 2008-2009 and 2017-2018, the proportion of CP patients per FP who were prescribed long-term opioids increased by an average absolute change of 0.56%; the proportion prescribed long-term neuropathic pain medications increased by 1.1%; and the proportion prescribed long-term nonsteroidal anti-inflammatory drugs decreased by 0.49%. The proportion of musculoskeletal imaging out of all imaging requests made by FPs increased by 2.0%; pain-related referrals increased by 1.73%; there was a 4.6% increase in the proportion of community-based FPs who performed 1 or more pain injections; and 10% more FPs performed 1 or more trigger point injections within a fiscal year. CONCLUSION: Findings show that the work of providing care to patients with CP increased while CP patient volumes per FP decreased. Workforce planning for community-based FPs should consider these increased demands and ensure FPs are adequately supported to provide CP care.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».