Endoscopic and Surgical Treatments for Painful Chronic Pancreatitis: A Scoping Review of Pain Assessment Tools and Meta-analysis of Outcomes
Notice bibliographique
Résumé
OBJECTIVE: Managing painful chronic pancreatitis (CP) often involves invasive treatments, but success rates are variable. We aimed to describe the pain assessment tools used to measure the efficacy of endotherapy and surgery for painful CP and perform a meta-analysis of outcomes. DESIGN: PubMed, Embase, and Scopus databases were searched for published studies through April 1, 2023. Full papers in English that assessed pain outcomes among adults with painful CP undergoing invasive interventions were included. RESULTS: There were 413 out of 1,282 studies that underwent full-text review, and 279 studies were selected for the scoping review. Most commonly used pain assessment tools included symptom description (n=68 studies), numeric pain rating scales (NRS) or visual analog scales (VAS) (n=52), binary pain relief (yes or no) (n=27), and the pancreatitis-specific 4-item Izbicki score (n=28). In a meta-analysis of studies reporting preintervention and postintervention NRS or VAS (0-100), the mean decrease in pain after endoscopic intervention (n=9 studies) was 40.3 (95% CI: 27-53.6, P <0.001) and after surgical intervention (n=12 studies) it was 43.2 (95% CI: 31.5-54.9, P <0.001). A separate meta-analysis of studies reporting the preintervention and postintervention Izbicki score (n=5) showed similar findings. There was no difference in the change in pain scores between endotherapy and surgical cohorts in studies using NRS/VAS or Izbicki scores. CONCLUSIONS: Pain outcomes were similar between endotherapy and surgery for painful CP based on the use of simple and highly variable pain assessment tools. Referral bias and sham effects need to be considered in future trials.
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) | 0,014 | 0,003 |
| Bibliométrie | 0,001 | 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 ».