Remote monitoring of pain and symptoms using wireless technology in children and adolescents with sickle cell disease
Notice bibliographique
Résumé
PURPOSE: The purpose of this study was to examine (a) symptoms, (b) pain characteristics (intensity, location, quality), (c) pain medications and nonpharmacological strategies used for pain, (d) thoughts and feelings, and (e) healthcare visits. We also examined the relationship between pain and sleep. DATA SOURCES: Pain and symptoms were entered on an electronic e-Diary using a smartphone and were remotely monitored by an advanced practice registered nurse (APRN). Sixty-seven children and adolescents (10-17 years) reported mild to severe pain at home that did not require healthcare visits. Symptoms reported were (a) general symptoms such as tiredness/fatigue (34.7%), headache (20.8%), yellowing of the eyes (28.4%); (b) respiratory symptoms such as sniffling (32.9%), coughing (19.1%), changes in breathing (10.0%); and (c) musculoskeletal symptoms such as stiffness in joints (15.8%). A significant negative correlation was found between pain and sleep (r = -.387, p = .024). Factors that predict pain included previous history of sickle cell disease (SCD) related events, symptoms, and negative thoughts. CONCLUSION: Pain and multiple symptoms entered on a web-based e-Diary were remotely monitored by an APRN and prompted communications, further evaluation, and recommendations. IMPLICATIONS FOR PRACTICE: Remote monitoring using wireless technology may facilitate timely management of pain and symptoms and minimize negative consequences in SCD.
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 | 0,000 | 0,000 |
| 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 | 0,001 |
| 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; 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 ».