Nurses' pain assessment practices with critically ill adult patients
Notice bibliographique
Résumé
OBJECTIVES: This study aimed to describe the perceived barriers, enablers and acute pain assessment practices of nurses caring for critically ill adult patients in a resource-limited setting. BACKGROUND: Acute pain is a common problem among critically ill adult patients, and nurses' play a central role in its control. Very few studies have examined nurses' acute pain assessment practices in resource-limited settings. METHODS: A descriptive and cross-sectional design was used. A total of 170 nurses working in a Ugandan hospital were enrolled. Data were collected using a questionnaire measuring various aspects of pain assessment for critically ill adult patients. RESULTS: The majority of nurses had poor pain assessment practices. The most commonly performed pain assessment practices were documenting assessment findings, discussing pain assessment and management during nurse-to-nurse reports, and assessing for analgesics need before wound care. The main barriers to pain assessment were workload; lack of education and familiarity with assessment tools; poor documentation and communication of pain assessment priorities. The only reported enabler was physician's prescriptions for analgesia. Pain assessment practices were significantly associated with perceived workload and priority given to pain assessment. CONCLUSION: Pain assessment practices of nurses caring for critically ill adult patients in a resource-limited setting are affected by several barriers. IMPLICATION FOR NURSING AND HEALTH POLICY: Interventions to reduce barriers and enhance enablers of acute pain assessment are needed to improve pain management in critically ill adult patients. To be effective, the interventions have to be holistic and implemented by professional bodies and employers of nurses.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».