Perspectives on Analgesia for Craniotomy: A Survey of Anesthetic Practices
Notice bibliographique
Résumé
BACKGROUND: This study aimed to compare analgesic practices for patients undergoing craniotomy in high-income countries (HICs) and low-income and middle-income countries (LMICs), focusing on variations in medication use and techniques. METHODS: An English-language and Spanish-language electronic survey was sent to over 300 anesthesiologists in 35 countries from March 22 to May 19, 2024, to gather data on analgesia for craniotomy patients. Anonymous responses through REDCap were analyzed as a whole and by income category (HICs and LMICs). RESULTS: We received 328 responses (105 HICs, 221 LMICs, and 2 missing locations). Acetaminophen was used by 78% of respondents (HIC: 82%, LMIC: 76%), with low nonavailability in both groups (0.95% HICs, 4.98% LMICs). Fentanyl boluses were used in 57% of cases (HIC: 60%, LMIC: 55%). Incisional local anesthesia was administered in 51% (HIC: 52%, LMIC: 50%), with minimal nonavailability (1.9% HIC, 1.4% LMIC). The use of a remifentanil infusion was more common in HICs (64%) than LMICs (31%), where nonavailability was significantly higher (43.89% vs. 7.62% HICs). Scalp blocks were used by 15% of HICs and 43% of LMICs. Craniotomy indication influenced the choice of analgesia for 61% of respondents. CONCLUSIONS: Analgesic practices for craniotomy vary significantly between HICs and LMICs, primarily due to medication availability. Global guidelines should consider resource differences to improve postoperative pain management.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».