Impact of Physician and Patient Gender on Pain Management in the Emergency Department—A Multicenter Study
Notice bibliographique
Résumé
OBJECTIVE: Pain is a complex experience influenced by factors such as age, race, and ethnicity. We conducted a multicenter study to better understand emergency department (ED) pain management practices and examined the influence of patient and provider gender on analgesic administration. DESIGN: Prospective, multicenter, observational study. SETTING: Consecutive patients, >or=8-years-old, presenting with complaints of moderate to severe pain (pain numerical rating scale [NRS] > 3) at 16 U.S. and three Canadian hospitals. OUTCOMES MEASURES: Receipt of any ED analgesic, receipt of opioids, and adequate pain relief in the ED. RESULTS: Eight hundred forty-two patients participated including 56% women. Baseline pain scores were similar in both genders. Analgesic administration rates were not significantly different for female and male patients (63% vs 57%, P = 0.08), although females presenting with severe pain (NRS >or=8) were more likely to receive analgesics (74% vs 64%, P = 0.02). Female physicians were more likely to administer analgesics than male physicians (66% vs 57%, P = 0.009). In logistic regression models, predictors of ED analgesic administration were male physician (odds ratio [OR] = 0.7), arrival pain (OR = 1.3), number of pain assessments (OR = 1.83), and charted follow-up plans (OR = 2.16). With regard to opioid administration, female physicians were more likely to prescribe opioids to females (P = 0.006) while male physicians were more likely to prescribe to males (P = 0.05). In logistic regression models, predictors of opioids administration included male patient gender (OR = 0.58), male patient-physician interaction (OR = 2.58), arrival pain score (OR = 1.28), average pain score (OR = 1.10), and number of pain assessments (OR = 1.5). Pain relief was not impacted by gender. CONCLUSION: Provider gender as opposed to patient gender appears to influence pain management decisions in the ED.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».