Educational Needs of Health Care Providers Working in Long‐Term Care Facilities with Regard to Pain Management
Notice bibliographique
Résumé
BACKGROUND: The prevalence of chronic pain ranges from 40% to 80% in long-term care facilities (LTCF), with the highest proportion being found among older adults and residents with dementia. Unfortunately, pain in older adults is underdiagnosed, undertreated, inadequately treated or not treated at all. A solution to this problem would be to provide effective and innovative interdisciplinary continuing education to health care providers (HCPs). OBJECTIVE: To identify the educational needs of HCPs working in LTCF with regard to pain management. METHODS: A qualitative research design using the nominal group technique was undertaken. Seventy-two HCPs (21 physicians⁄pharmacists, 15 occupational⁄physical therapists, 24 nurses and 21 orderlies) were recruited from three LTCF in Quebec. Each participant was asked to provide and prioritize a list of the most important topics to be addressed within a continuing education program on chronic pain management in LTCF. RESULTS: Forty topics were generated across all groups, and six specific topics were common to at least three out of the four HCP groups. Educational need in pain assessment was ranked the highest by all groups. Other highly rated topics included pharmacological treatment of pain, pain neurophysiology, nonpharmacological treatments and how to distinguish pain expression from other behaviours. CONCLUSION: The present study showed that despite an average of more than 10 years of work experience in LTCF, HCPs have significant educational needs in pain management, especially pain assessment. These results will help in the development of a comprehensive pain management educational program for HCPs in LTCF.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».