DEVELOPING A RAI-MDS 2.0 BEHAVIOR-BASED PAIN ASSESSMENT SCALE FOR LONG-TERM CARE RESIDENTS WITH ADVANCED DEMENTIA
Notice bibliographique
Résumé
Abstract In Canadian and many international long-term care (LTC) facilities, pain assessment frequently relies on data from the Resident Assessment Instrument – Minimum Data Set 2.0 (RAI-MDS). The RAI-MDS produces a two-item scale, measuring both pain frequency and pain intensity. This scale correlates well with self-reported pain in cognitively intact LTC residents, but despite repeated testing, is less valid for use in residents with more advanced cognitive impairment who are unable to self-report their pain. In this study we aimed to develop and validate a behaviour-based pain assessment scale for long-term care residents using data available in the RAI-MDS. To construct our initial scale, we reviewed the literature and compiled a list of observable indicators of pain (e.g., grimacing) and linked these with 28 similar items available in the RAI-MDS. Using Delphi techniques, we further refined this to 20 items. We then evaluated the psychometric properties of our scale using two independent, representative samples, of urban LTC residents in Western Canada. Exploratory factor analyses were conducted in sample one (n=16,282) and confirmatory factor analyses (CFA) were then conducted in sample two (n=15,785) in order to test, and confirm, our model. A two-factor solution was identified grouping RAI-MDS items into subscales 1) change in status (e.g., new onset restlessness) and 2) behaviours (e.g., crying). Commonly recognized model fit indices were acceptable suggesting the adequacy of the two-factor solution. Results provide preliminary support for the use of behavioural-based pain assessment scale using RAI-MDS data. Further evaluation and validation of our scale is warranted.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».