Can Adding a Standardized Observational Tool to Interdisciplinary Evaluation Enhance the Detection of Pain in Older Adults with Cognitive Impairments?
Notice bibliographique
Résumé
OBJECTIVE: The prevalence of chronic pain ranges from 40% to 80% in long-term care facilities, and it is especially high among older adults who are unable to communicate due to cognitive impairments. Although validated assessment tools exist, pain detection in this population is often done by interdisciplinary evaluation (IE), which largely relies on the subjective impression of health care providers. The aim of this study was to examine the agreement between the IE and validated observational pain tools. SETTING: We recruited 59 residents with limited ability to communicate. The pain behaviors of each participant were assessed with two validated tools, the Pain Assessment Checklist for Seniors with Limited Ability to Communicate (PACSLAC) and the Pain Assessment in Advanced Dementia (PAINAD), during transfer or mobilization. The results were then compared with the findings of the IE. RESULTS: The correlation between the PACSLAC and PAINAD was high (r = 0.79 [95% CI: 0.67-0.87]). However, we found a low to moderate association between the PACSLAC and the IE (r = 0.34 [95% CI: 0.09-0.55]), and a weaker association was observed between the PAINAD and the IE (r = 0.25 [95% CI: -0.02-0.48]). When the IE concluded that there was an absence of pain behavior, the PAINAD and the PACSLAC detected the presence of pain in 13.6% and 27.1% of the cases respectively. CONCLUSION: These results may be explained by an inability of IE to assess pain correctly or by instruments providing false positive results. Nevertheless, as detection of pain is difficult in this population, our research supports the use of validated tools to complement assessment of pain by the IE and make sure that no pain goes undetected.
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 | 0,007 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».