How to think about pain with the whole person in mind
Notice bibliographique
Résumé
Too often, pain is reduced to a simple symptom of illness or injury – a puzzle piece to fit into the differential diagnostic jigsaw. Pain reports that fit the emerging pathoanatomical picture are validated and treated accordingly. But many reports don’t fit this picture, and the widespread stigma associated with persistent pain is most commonly directed toward these individuals, whose symptoms aren’t well explained by known pain mechanisms. A root problem is not seeing the person in pain or the suffering they experience. This presentation aims to help participants develop a more comprehensive perspective on pain that better integrates its complexities within clinical practice. Participants will be introduced to the Multi-modal Assessment model of Pain (MAP; Wideman et al, Clinical Journal of Pain 2019; 35(3): 212). MAP offers a novel framework to understand the fundamentally subjective natures of pain and suffering and how they can be best addressed within clinical practice. MAP aims to help clinicians view pain, first and foremost, as an experience (like sadness), which may or may not correspond to specific pathology or diagnostic criteria (like clinical depression). MAP aims to facilitate a more compassionate approach to pain management by providing a rationale for why all reported pain should be validated, even when poorly understood. Viewing pain in this manner helps highlight the central importance of listening to patients’ narrative reports, trying to understand the meaning and context for their experiences of pain and using this understanding to help alleviate suffering.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,024 |
| Communication savante | 0,011 | 0,021 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,008 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».