Priority interventions to improve the management of chronic non-cancer pain in primary care: a participatory research of the ACCORD program
Notice bibliographique
Résumé
PURPOSE: There is evidence that the management of chronic non-cancer pain (CNCP) in primary care is far from being optimal. A 1-day workshop was held to explore the perceptions of key actors regarding the challenges and priority interventions to improve CNCP management in primary care. METHODS: Using the Chronic Care Model as a conceptual framework, physicians (n=6), pharmacists (n=6), nurses (n=6), physiotherapists (n=6), psychologists (n=6), pain specialists (n=6), patients (n=3), family members (n=3), decision makers and managers (n=4), and pain researchers (n=7) took part in seven focus groups and five nominal groups. RESULTS: Challenges identified in focus group discussions were related to five dimensions: knowledge gap, "work in silos", lack of awareness that CNCP represents an important clinical problem, difficulties in access to health professionals and services, and patient empowerment needs. Based on the nominal group discussions, the following priority interventions were identified: interdisciplinary continuing education, interdisciplinary treatment approach, regional expert leadership, creation and definition of care paths, and patient education programs. CONCLUSION: Barriers to optimal management of CNCP in primary care are numerous. Improving its management cannot be envisioned without considering multifaceted interventions targeting several dimensions of the Chronic Care Model and focusing on both clinicians and patients.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,106 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,006 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».