The Measurement of Leg Ulcer Pain: Identification and Appraisal of Pain Assessment Tools
Notice bibliographique
Résumé
OBJECTIVE: To identify and compare the psychometric, clinical sensibility, and pain-specific properties of leg ulcer pain assessment tools for use as a guide for clinicians and researchers. DESIGN: Pain assessment tools were selected for appraisal based on 4 inclusion criteria: (1) designed specifically to measure either quality and/or intensity of pain, (2) used in at least 2 different diseases and/or pain-inducing interventions in adults, (3) generic, and (4) patient self-reporting. The tools were appraised against psychometric properties, clinical sensibility attributes, and pain-specific issues. Two reviewers independently reviewed each abstract, with a third reviewer resolving any disagreements. Then the first 2 reviewers independently assessed the selected tools using the predetermined appraisal criteria. RESULTS: Of 54 identified pain assessment tools, 5 (the pain ruler, the numerical rating scale, the visual analogue scale, the verbal descriptor scale, and the short-form McGill Pain Questionnaire) met the inclusion criteria. Each tool met the appraisal criteria to varying degrees. CONCLUSIONS: The use of a pain assessment tool to measure leg ulcer pain is recommended. Clinicians must decide independently which factors are most important when selecting a tool. Although a specific pain assessment approach cannot yet be recommended, a 2-step pain assessment process is most practical. To optimize pain management, further study is needed to ensure that leg ulcer pain is accurately and reliably assessed.
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 | 0,048 | 0,124 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,003 |
| Bibliométrie | 0,013 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».