Evaluation of the Premature Infant Pain Profile-Revised (PIPP-R) e-Learning Module
Notice bibliographique
Résumé
BACKGROUND: Electronic health (e-health) learning is a potential avenue to educate health professionals about accurately using infant pain assessment tools, although little is known about the impact of e-health interventions on clinical competence. PURPOSE: To evaluate whether an e-health learning module for teaching the accurate use of the Premature Infant Pain Profile-Revised (PIPP-R) pain assessment tool results in immediate and sustained competency to assess infant pain. METHODS: Neonatal intensive care unit (NICU) nurses who participated in a larger study across 2 tertiary NICUs in Canada examining the implementation and clinical utility of the PIPP-R e-learning module completed 2 follow-up evaluations at 1 week and 3 months. Participants were asked to view a video recording of an infant undergoing a painful procedure and to assess the infant's pain intensity response using the PIPP-R measure. Immediate and sustained competency was assessed via interrater consensus of participant-reported PIPP-R scores compared with those of an experienced trained coder. RESULTS: Of the 25 eligible nurses, 22 completed 1-week and 3-month follow-up evaluations. At the 1-week follow-up, 84% of nurses scored the video accurately compared with 50% at 3 months. Behavioral pain indicators were more likely to be scored incorrectly than physiological indicators. IMPLICATIONS FOR PRACTICE: Follow-up training after completion of the initial e-learning module training may improve competency related to the clinical use of the PIPP-R tool to assess infant pain over time. IMPLICATIONS FOR RESEARCH: Additional study regarding the need and timing of e-health training to optimize sustained competency in infant pain assessment 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 | 0,002 | 0,003 |
| 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 ».