Pain Assessment in a Geriatric Psychiatry Program
Notice bibliographique
Résumé
BACKGROUND: The assessment of pain in older persons with psychiatric illness is particularly challenging for health care professionals. There are few well-tested pain assessment tools for this population. OBJECTIVES: A study was conducted to explore pain assessment and management issues in geriatric psychiatry. METHODS: Seventy-four staff members of a geriatric psychiatry service at Regional Mental Health Care London, St Joseph's Health Care London, London, Ontario completed a survey to assess current pain assessment and management practice for geriatric psychiatry patients, and to identify indicators used to assess pain in this population. The results of the survey were later shared with members of the program's pain management team in a focus group discussion to explore opportunities on how to transfer these findings into clinical practice. RESULTS: The majority of survey respondents (91.8%) agreed that pain assessment and management could be improved for patients; only 14.9% reported that there was a consistent approach to pain management. Misconceptions and attitudes about pain, lack of easily administered pain tools, inconsistent monitoring of pain, and lack of documentation of pain symptoms and indicators were identified as significant barriers to optimal pain management for their patients. A number of behaviours indicative of pain were identified but emphasis was placed on recognition of changes from usual behaviour. CONCLUSIONS: The findings of the present study highlight the need for a comprehensive, practical and consistent approach to pain assessment and management, and provide insight into the critical components, including behavioural indicators, that could be incorporated into a pain protocol to be used with this population.
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 | 0,030 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 ».