Percentage of pain intensity difference on an 11‐point numerical rating scale underestimates acute pain resolution
Notice bibliographique
Résumé
BACKGROUND: A 50% reduction in pain intensity difference (50%PID) between baseline and follow-up evaluation is commonly accepted as adequate pain relief in emergency departments (EDs). However, 50%PID seems to be problematic with the 11-point numerical rating scale (NRS) since even baseline values are more divisible by 2 (50% reduction) than odd baseline values. This study evaluated the impact of this bias and integrated time between baseline and follow-up measurements, hypothesizing that the slope of relative pain intensity difference (SRPID) is a more accurate gauge of pain relief that can decrease bias and incorporate the time component of pain relief. METHODS: A post-hoc analysis of real-time data on an adult population from an urban ED identified 3199 consecutive patients who received an analgesic, had baseline NRS > 3 and a follow-up NRS within 2 h. Primary outcome was the percentage of patients with pain relieved from the 50%PID and the 50%SRPID criteria. RESULTS: Results showed that with 50%PID, even pain intensity levels on baseline NRS comprised a higher percentage of patients [60.7%; 95% confidence interval (CI): 58.8-63.0] with pain relief compared to odd pain intensity levels (51.7%; 95% CI: 48.8-54.6; p < 0.001), underestimating pain-relieved patients by 9% [95% CI: 0.05-0.13; effect size (ES) = 0.09]. The percentage of pain-relieved subjects with the 50%SRPID criteria was not affected by baseline NRS values (59.7% for whole sample; 95% CI: 58.0-61.4; ES = 0.02). CONCLUSIONS: The 50%PID method with an 11-point NRS for assessing adequate pain relief is significantly biased for specific baseline pain intensity level. In the particular context of ED acute pain, the SRPID seems less biased.
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 | 0,031 | 0,005 |
| 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 ».