Pain Management Strategies and Adverse Effects of Opioids in Patients with Neurotrauma with Acute and Chronic Pain
Notice bibliographique
Résumé
Pain is prevalent and a major source of disability after a traumatic brain injury (TBI) and a spinal cord injury (SCI). With a view of reducing the pain burden in neurotrauma, this study aimed to describe the use of pain management strategies and the adverse effects of opioids in patients with TBI and SCI. We collected data at hospital discharge (T1) and at 3 months post-injury (T2). A total of 70 patients, including 49 with TBI and 21 with SCI, with a mean age of 56 years (±21.1, ±17.9) were included. Almost a third of participants with TBI (33%) and SCI (29%) had a moderate average pain intensity at T1, and most experienced mild average pain intensity at T2. At T1, 80% of participants used opioids, whereas at T2, 26% of participants with TBI and 53% of those with SCI did. The main co-analgesic used was acetaminophen, with 78% and 17% for participants with TBI and 81% and 40% for participants with SCI at T1 and T2. The most common non-pharmacological strategy in participants with TBI was rest at T1 (45%) and T2 (32%), and comfortable positioning in participants with SCI at both timepoints (81% and 53%). The two most frequent adverse effects of opioids in both populations at T1 and T2 were drowsiness (35% vs. 43%; 10% vs. 13%) and constipation (27% vs. 38%; 7% vs. 20%). Opioids remain the most widely used pain management strategy in neurotrauma. Promoting a judicious use of opioids, combined with other strategies, could help patients with neurotrauma achieve adequate and safe pain relief.
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 ».