Predicting Readiness to Self-manage Pain
Notice bibliographique
Résumé
OBJECTIVE: The goal of multidisciplinary treatment for chronic pain is to help patients actively self-manage pain. In this study, we examined predictors of 2 measures of readiness to self-manage pain, namely the Precontemplation and Action subscales of the Pain Stages of Change Questionnaire. In particular, we examined the relative importance of experiences with pain and the primary care physician and beliefs about self-efficacy and pain control in predicting intention to self-manage pain (Precontemplation) and actual use of pain self-management strategies (Action). METHOD: One hundred and two chronic pain participants, from 4 multidisciplinary rehabilitation centers, completed the Precontemplation and Action subscales. They also completed self-report questionnaires assessing pain severity, interference, depression, pain-related anxiety, perceptions of the patient-physician relationship, pain locus of control beliefs, and pain self-efficacy. RESULTS: Considerable variance in Precontemplation scores (49%) was explained by the variables studied. Beliefs about powerful others controlling pain and perceptions of low internal control were particularly salient in the prediction of Precontemplation scores. Less variance was explained in Action scores (35%). Satisfaction with information provided by the physician was uniquely related to Action scores. DISCUSSION: The results of the study are placed within the context of the Motivational Model of Pain Self-Management and provide insight into factors that are associated with motivation to self-manage pain. Future directions for research are discussed with respect to perceptions of pain control and satisfaction with information from physicians, constructs which have previously been overlooked in research on motivation to self-manage pain.
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 | 0,054 | 0,022 |
| 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 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».