Opioïdes et douleur chronique non cancéreuse : enjeux cliniques
Bibliographic record
Abstract
Malgré la controverse suscitée par le recours aux opioïdes pour soulager la douleur chronique non cancéreuse (DCNC), pouvant être causée par un problème médical souvent réfractaire aux traitements médicaux conventionnels, la popularité de cette classe de médicaments s’est accrue au cours de la dernière décennie. Alors que plusieurs médecins demeurent réticents à prescrire les opioïdes, d’autres, au contraire, les prescrivent sans égard aux conséquences néfastes qu’ils peuvent entraîner pour les patients. Cet article présente un recensement des méta-analyses et articles de révision portant sur l’utilisation des opioïdes dans la DCNC, publiés au cours des quinze dernières années. Leurs principales lacunes méthodologiques sont abordées puis les résultats portant sur l’efficacité analgésique des opioïdes, leurs effets secondaires et le risque encouru de développer la toxicomanie sont présentés. Des recommandations permettant le suivi sécuritaire des patients recevant des opioïdes sont ensuite formulées. La décision de prescrire ou non des opioïdes pour le traitement de la DCNC est finalement analysée dans une perspective globale tenant compte à la fois de l’objectif du médecin de soulager la douleur, de celui du patient de demeurer un membre actif de la société et de celui d’éviter que le médicament ne devienne une drogue.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.020 | 0.039 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.004 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".