The Multimodal Assessment Model of Pain
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVES: Pain assessment is enigmatic. Although clinicians and researchers must rely upon observations to evaluate pain, the personal experience of pain is fundamentally unobservable. This raises the question of how the inherent subjectivity of pain can and should be integrated within assessment. Current models fail to tackle key facets of this problem, such as what essential aspects of pain are overlooked when we only rely on numeric forms of assessment, and what types of assessment need to be prioritized to ensure alignment with our conceptualization of pain as a subjective experience. We present the multimodal assessment model of pain (MAP) as offering practical frameworks for navigating these challenges. METHODS: This is a narrative review. RESULTS: MAP delineates qualitative (words, behaviors) and quantitative (self-reported measures, non-self-reported measures) assessment and regards the qualitative pain narrative as the best available root proxy for inferring pain in others. MAP offers frameworks to better address pain subjectivity by: (1) delineating separate criteria for identifying versus assessing pain. Pain is identified through narrative reports, while comprehensive assessment is used to infer why pain is reported; (2) integrating compassion-based and mechanism-based management by both validating pain reports and assessing underlying processes; (3) conceptualizing comprehensive pain assessment as both multidimensional and multimodal (listening/observing and measuring); and (4) describing how qualitative data help validate and contextualize quantitative pain measures. DISCUSSION: MAP is expected to help clinicians validate pain reports as important and legitimate, regardless of other findings, and help our field develop more comprehensive, valid, and compassionate approaches to assessing 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.
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 | 0,053 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| 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 découle