Epidemiology and management of painful procedures in children in Canadian hospitals
Notice bibliographique
Résumé
BACKGROUND: Children being cared for in hospital undergo multiple painful procedures daily. However, little is known about the frequency of these procedures and associated interventions to manage the pain. We undertook this study to determine, for children in Canadian hospitals, the frequency of painful procedures, the types of pain management interventions associated with painful procedures and the influence of the type of hospital unit on procedural pain management. METHODS: We reviewed medical charts for infants and children up to 18 years of age who had been admitted to 32 inpatient units at eight Canadian pediatric hospitals between October 2007 and April 2008. We recorded all of the painful procedures performed and the pain management interventions that had been implemented in the 24-hour period preceding data collection. We performed descriptive and comparative (analysis of variance, χ(2)) analyses. RESULTS: Of the 3822 children included in the study, 2987 (78.2%) had undergone at least one painful procedure in the 24-hour period preceding data collection, for a total of 18 929 painful procedures (mean 6.3 per child who had any painful procedure). For 2334 (78.1%) of the 2987 children who had a painful procedure, a pain management intervention in the previous 24 hours was documented in the chart: 1980 (84.8%) had a pharmacologic intervention, 609 (26.1%) a physical intervention, 584 (25.0%) a psychologic intervention and 753 (32.3%) a combination of interventions. However, for only 844 (28.3%) of the 2987 children was one or more pain management interventions administered and documented specifically for a painful procedure. Pediatric intensive care units reported the highest proportion of painful procedures and analgesics administered. INTERPRETATION: For less than one-third of painful procedures was there documentation of one or more specific pain management interventions. Strategies for implementing changes in pain management must be tailored to the type of hospital unit.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».