Caregiver-Reported Pain Management Practices for Individuals With Cerebral Palsy
Notice bibliographique
Résumé
OBJECTIVE: To investigate types and intensity of pain experienced by individuals with cerebral palsy (CP) and common pain-relieving approaches used by caregivers. DESIGN: The approach was cross-sectional, using standardized interviews. SETTING: Individuals with CP were recruited from a specialty health care hospital. PARTICIPANTS: Eighty-six individuals (N=86; mean age, 17.2 years; male, 58%) with CP and complex communication needs participated. INTERVENTIONS: Not applicable. MAIN OUTCOME MEASURES: Pain type, mean pain intensity (MPI) (graded on a scale of 0=no pain to 10=worst possible pain), and mean pain relief (MPR) (graded on a scale of 0=intervention did not help at all to 10=intervention completely relieved pain) were assessed by caregiver report as part of the Dalhousie Pain Interview for each type of pain experienced in the previous 7 days. RESULTS: Caregivers reported that 58 participants (67%) had experienced pain in the previous 7 days. MPI was 7.7±1.8 when the pain was worst in the previous 7 days. The 2 most common types of pain included musculoskeletal pain (n=70) and gastrointestinal pain (n=11). The most frequent treatment to relieve musculoskeletal pain was changing positions (n=27, MPI=5.1±2.3, MPR=6.6±2.1), medication (n=25, MPI=7.4±1.6, MPR=5.3±1.9), and massage (n=19, MPI=6.7±1.9, MPR=5.2±1.7). To treat gastrointestinal pain, medication was typically used (n=4, MPI=4.8±1.4, MPR=5.5±1.0), although no treatment was just as common (n=4, MPI=4.5±2.3). CONCLUSIONS: The results indicate that musculoskeletal pain is prevalent in individuals with CP, and changing physical positions and providing medication are strategies most used by caregivers.
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 | 0,003 | 0,002 |
| 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; 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 ».