An Action-Based Approach to Improving Pain Management in Long-Term Care
Notice bibliographique
Résumé
RÉSUMÉ Objectif : Les objectifs de cette étude étaient double : (1) d’explorer les obstacles à la gestion de la douleur et ceux associés à la mise en œuvre d’un programme de gestion de la douleur en soins de longue durée (SLD) et (2) de développer une approche interprofessionelle afin d’améliorer la gestion de la douleur en soins de longue durée. Méthodes : Une étude de cas a inclus tous les deux éléments, quantitatifs et qualitatifs. Nous avons recueilli des données sur deux sites LTC à l’aide de sept groupes de discussion pour les infirmières autorisées, fournisseurs de soins non réglementés, et médecins, et 10 entretiens avec des autres groupes de fournisseurs de soins de santé, l’administration et des résidents. Nous avons examiné les documents et administré un sondage à court aux participants à l’étude pour évaluer les perceptions des obstacles à la gestion de la douleur. Résultats : Les résultats ont révélé des obstacles à la gestion efficace de la douleur au niveau des soins de longue durée des résidents et des familles, des fournisseurs de soins de santé, et des systèmes de santé. Nous avons ensuite élaboré un modèle à six niveaux, avec les interventions proposées pour surmonter ces obstacles. Conclusions : Ce modèle peut guider le développement d’approches novatrices pour améliorer la gestion de la douleur dans les établissements de soins de longue durée.
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 | 0,017 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».