Evaluating acute pain intensity relief
Notice bibliographique
Résumé
Percentage of pain intensity difference (PercentPID) is a recognized way of evaluating pain relief with an 11-point numerical rating scale (NRS) but is not without flaws. A new metric, the slope of relative pain intensity difference (SlopePID), which consists in dividing PercentPID by the time between 2 pain measurements, is proposed. This study aims to validate SlopePID with 3 measures of subjective pain relief: a 5-category relief scale (not, a little, moderate, very, complete), a 2-category relief question ("I'm relieved," "I'm not relieved"), and a single-item question, "Wanting other medication to treat pain?" (Yes/No). This prospective cohort study included 361 patients in the emergency department who had an initial acute pain NRS > 3 and a pain intensity assessment within 90 minutes after analgesic administration. Mean age was 50.2 years (SD = 19.3) and 59% were women. Area under the curves of receiver operating characteristic curves analyses revealed similar discriminative power for PercentPID (0.83; 95% confidence interval [CI], 0.79-0.88) and SlopePID (0.82; 95% CI, 0.77-0.86). Considering the "very" category from the 5-category relief scale as a substantial relief, the average cutoff for substantial relief was a decrease of 64% (95% CI, 59-69) for PercentPID and of 49% per hour (95% CI, 44-54) for SlopePID. However, when a cutoff criterion of 50% was used as a measure of pain relief for an individual patient, PercentPID underestimated pain-relieved patients by 12.1% (P < 0.05) compared with the SlopePID measurement, when pain intensity at baseline was an odd number compared with an even number (32.9% vs 45.0%, respectively). SlopePID should be used instead of PercentPID as a metric to evaluate acute pain relief on a 0 to 10 NRS.
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 | 0,032 | 0,012 |
| 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 | 0,000 |
| 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; 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 ».