Pain measurement as part of primary healthcare of adult patients with sickle cell disease
Notice bibliographique
Résumé
OBJECTIVE: The aim of this exploratory, cross-sectional study was to evaluate pain in sickle cell disease patients and aspects related to primary healthcare. METHODS: Data were obtained through home interviews. The assessment instruments (body diagram, Numerical Pain Scale, McGill Pain Questionnaire) collected information on the underlying disease and on pain. Data were analyzed using the Statistical Package for Social Sciences program for Windows. Associations between the subgroups of sickle cell disease patients (hemoglobin SS, hemoglobin SC, sickle β-thalassemia and others) and pain were analyzed using contingency tables and non-parametric tests of association (classic chi-square, Fisher's and Kruskal-Wallis) with a level of 5% (p-value < 0.05) being set for the rejection of the null hypothesis. RESULTS: Forty-seven over 18-year-old patients with sickle cell disease were evaluated. Most were black (78.7%) and female (59.6%) and the mean age was 30.1 years. The average number of bouts of pain annually was 7.02; pain was predominantly reported by individuals with sickle cell anemia (hemoglobin SS). The intensity of pain (Numeric Pain Scale) was 5.5 and the quantitative index (McGill) was 35.9. This study also shows that patients presented a high frequency of moderately painful crises in their own homes. CONCLUSION: According to these facts, it is essential that pain related to sickle cell disease is properly identified, quantified, characterized and treated at the three levels of healthcare. In primary healthcare, accurate measurement of pain combined with better care may decrease acute painful episodes and consequently minimize tissue damage, thus improving the patient's overall health.
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) | 0,001 | 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 | 0,000 |
| 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 ».