Health Care Professionals’ Pain Narratives in Hospitalized Children’S Medical Records. Part 2: Structure and Content
Notice bibliographique
Résumé
BACKGROUND: Although clinical narratives - described as free-text notations--have been noted to be a source of patient information, no studies have examined the composition of pain narratives in hospitalized children's medical records. OBJECTIVES: To describe the structure and content of health care professionals' narratives related to hospitalized children's acute pain. METHODS: All pain narratives documented during a 24 h period were collected from the medical records of 3822 children (0 to 18 years of age) hospitalized in 32 inpatient units in eight Canadian pediatric hospitals. A qualitative descriptive exploration using a content analysis approach was performed. RESULTS: Three major structural elements with their respective categories and subcategories were identified: information sources, including clinician, patient, parent, dual and unknown; compositional archetypes, including baseline pain status, intermittent pain updates, single events, pain summation and pain management plan; and content, including pain declaration, pain assessment, pain intervention and multidimensional elements of care. CONCLUSIONS: The present qualitative analysis revealed the multidimensionality of structure and content that was used to document hospitalized children's acute pain. The findings have the potential to inform debate on whether the multidimensionality of pain narratives' composition is a desirable feature of documentation and how narratives can be refined and improved. There is potential for further investigation into how health care professionals' pain narratives could have a role in generating guidelines for best pain documentation practice beyond numerical representations of pain intensity.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».