Methadone in Cancer-Related Neuropathic Pain: A Narrative Review
Notice bibliographique
Résumé
Background and Objective: Cancer-related neuropathic pain (CRNP) is often a significant burden on patients’ quality of life. There are limited treatment guidelines for cancer-related neuropathic pain outside of CIPN. Although opioids are considered a third-line treatment option, no consensus exists on which opioid is most effective, either as a single agent or in combination with other medications. Our aim is to review and update the literature for methadone use in CRNP, since the last review was conducted in 2006. Methods: A comprehensive literature search was performed to evaluate the use of methadone in cancer-related neuropathic pain. Articles were identified from PubMed, Google Scholar, and Cochrane Library using the following keywords: “methadone AND cancer pain AND neuropathic pain” and “cancer-related opioid treatment”. Results: Studies were included if they evaluated methadone’s efficacy or safety in neuropathic pain management for patients with cancer. This review focused on randomized controlled trials (RCTs), systematic reviews, meta-analyses, and observational studies published between 2000 and 2024. Studies were excluded if they lacked specific data on cancer-related neuropathic pain or were case reports. Conclusions: The unique mechanisms of action and preliminary clinical trials support methadone’s status as the first opioid to consider for CRNP when non-opioid first-line treatments have failed to alleviate patient symptoms. Methadone can also be considered as a first-line opioid in patients with mixed nociceptive–neuropathic pain and any of the following features: renal dysfunction; administration of opioids through a feeding tube; a lack of financial resources/insurance; and a switch from another high-dose opioid. More research is needed regarding methadone for CRNP and methadone’s preferential use in specific sub-groups of patients.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,002 |
| 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 ».