Unveiling Prescribing Patterns: A Systematic Review of Chronic Opioid Prescriptions After Head and Neck Cancer Surgeries
Notice bibliographique
Résumé
OBJECTIVE: This study aims to review opioid prescribing changes for pain management in head and neck cancer (HNC) surgery patients, given the recent focus on Enhanced Recovery After Surgery protocols. DATA SOURCES: MEDLINE, Embase, and CENTRAL, covering 1998 to 2023. REVIEW METHODS: We selected studies that evaluated opioid prescribing patterns post-major HNC surgery in various settings, including tertiary care hospitals and community hospitals. Primary outcomes considered were prevalence and patterns of opioid use post-surgery, as well as related outcomes such as chronic use and side effects. RESULTS: Of 1278 abstracts, 24 studies involving 17,027 patients from the United States, China, and Canada met inclusion criteria. Quality was assessed using the MINORS scale, with an average score of 9.9 for non-comparative studies and 20.0 for comparative studies. Persistent opioid use post-surgery, defined as ongoing prescriptions 90 days after treatment, was noted in 15.4% to 64% of patients. Two studies reported adverse events, with up to 16% of patients experiencing side effects. Risk factors for chronic use included preoperative opioid use, tobacco use, higher cancer stage, adjuvant treatment, and demographic factors. Correlations were found between larger opioid prescriptions and shorter survival in advanced cancers. There was notable variability in patient-reported pain control. CONCLUSION: Persistent opioid use post-HNC surgery is common, with variable efficacy and risk of adverse effects. Tailoring pain management to individual risk factors and focusing on multimodal analgesia could reduce the risks of continued opioid use. Future prospective studies are required to identify optimal pain management strategies.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| 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 ».