The role of everyday emotion regulation on pain in hospitalized elderly: Insights from a prospective within-day assessment
Notice bibliographique
Résumé
Pain management is still an unresolved issue among the general elderly patient population in institutions. It is proposed that everyday emotion regulation (i.e. self-supporting maintenance or change in positive and negative emotions) performed by hospitalized elderly can help reduce pain intensity. This argument is based on (1) robust evidence in life span research of elderly's high ability for emotion regulation in the midst of everyday life and (2) experimental evidence from pain research that simple strategies to regulate emotions impact pain intensity. A prospective within-day study was designed to (1) empirically trace the occurrence of emotion regulation over specific sampling episodes, (2) assess the impact of this regulation on end-of-episode pain intensity, and (3) consider the effects of socio-demographic, psychological, and clinical factors on emotion regulation and its relationship to pain intensity. Thirty patients (mean age 78.8) of a geriatric facility provided ratings of emotional states and pain intensity. Emotion regulation was defined as maintenance/recovery of desirable emotional states and computed for individual emotions (positive feelings, anger, anxiety, and mild depressed feelings) and globally to reflect the number of emotions successfully regulated. Multilevel analyses found emotion regulation to be prospectively related to pain intensity, for both global and anxiety regulation. While this relationship held across the sample, lower emotion regulation was found for old-old (vs. young-old), males (vs. females), and patients living alone (vs. with others). Results suggest the possibility that promoting emotion regulation as self-management strategy could contribute to cost-effective pain management in general or targeted elderly populations.
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 | 0,005 | 0,001 |
| 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 ».