A Systematic Review of Pain Management Education in Graduate Medical Education
Notice bibliographique
Résumé
Background: Despite the importance of pain management across specialties and the effect of poor management on patients, many physicians are uncomfortable managing pain. This may be related, in part, to deficits in graduate medical education (GME). Objective: We sought to evaluate the methodological rigor of and summarize findings from literature on GME interventions targeting acute and chronic non-cancer pain management. Methods: We conducted a systematic review by searching PubMed, MedEdPORTAL, and ERIC (Education Resources Information Center) to identify studies published before March 2019 that had a focus on non-cancer pain management, majority of GME learners, defined educational intervention, and reported outcome. Quality of design was assessed with the Medical Education Research Study Quality Instrument (MERSQI) and Newcastle-Ottawa Scale-Education (NOS-E). One author summarized educational foci and methods. Results: The original search yielded 6149 studies; 26 met inclusion criteria. Mean MERSQI score was 11.6 (SD 2.29) of a maximum 18; mean NOS-E score was 2.60 (SD 1.22) out of 6. Most studies employed a single group, pretest-posttest design (n=16, 64%). Outcomes varied: 6 (24%) evaluated reactions (Kirkpatrick level 1), 12 (48%) evaluated learner knowledge (level 2), 5 (20%) evaluated behavior (level 3), and 2 (8%) evaluated patient outcomes (level 4). Interventions commonly focused on chronic pain (n=18, 69%) and employed traditional lectures (n=16, 62%) and case-based learning (n=14, 54%). Conclusions: Pain management education research in GME largely evaluated chronic pain management interventions by assessing learner reactions or knowledge at single sites.
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 | 0,018 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».