The Multimodal Assessment Model of Pain
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.
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 | 0,008 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,011 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».