Surveys of post-operative pain management in a teaching hospital in Rwanda — 2013 and 2017
Notice bibliographique
Résumé
Background Postoperative pain management (POPM) appeared to be weak in Rwanda.Aims The aim of this study was to compare POPM measures in a teaching hospital between 2013 and 2017.Methods A two-phase observational study in 2013 and 2017. was conducted. Participants were recruited prior to major surgery and followed for two postoperative days. A numerical rating scale (0–10) was administered to all participants in both years, and the International Pain Outcomes questionnaire was administered in 2017. Recruitment, consent, and data collection were performed in participants’ preferred language.Results One hundred adult participants undergoing major general, gynecologic, orthopedic, or urologic surgery were recruited in 2013 and 83 were recruited in 2017. Fourteen percent of participants in 2013 and 46% in 2017 scored their worst pain as severe (>6; P < 0.001). This was despite improved preoperative recognition of patients at high risk for severe postoperative pain (those with chronic pain or preoperative pain); 27% and 0% of these patients were not documented in 2013 and 2017, respectively (P = 0.006). Other measures of improved planning included “any preoperative discussion of POPM” (P < 0.001) and “discussion of POPM options” (P = 0.002). Preemptive analgesia use increased (3% of participants in 2013 and 54% in 2017; P < 0.001). Incidence of participants having no postoperative analgesic at all decreased from 25% in 2013 to 5% in 2017 (P < 0.001).Conclusions Though severe postoperative pain incidence did not improve from 2013 to 2017, POPM improved by a number of measures. These changes may be attributed to pain research conducted there having raised awareness.
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 | 0,012 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».