Call to focus on digital health technologies in hospitalized children's pain care: clinician experts' qualitative insights on optimizing electronic medical records to improve care
Notice bibliographique
Résumé
ABSTRACT: Most hospitalized children experience pain that is often inadequately assessed and undertreated. Exposure to undertreated childhood pain is associated with negative short-term and long-term outcomes and can detrimentally affect families, health services, and communities. Adopting electronic medical records (EMRs) in pediatric hospitals is a promising mechanism to transform care. As part of a larger program of research, this study examined the perspectives of pediatric clinical pain experts about how to capitalize on EMR designs to drive optimal family-centered pain care. A qualitative descriptive study design was used and 14 nursing and medical experts from 5 countries (United States, Canada, United Kingdom, Australia, and Qatar) were interviewed online using Zoom for Healthcare. We applied a reflexive content analysis to the data and constructed 4 broad categories: "capturing the pain story," "working with user-friendly systems," "patient and family engagement and shared decision making," and "augmenting pain knowledge and awareness." These findings outline expert recommendations for EMR designs that facilitate broad biopsychosocial pain assessments and multimodal treatments, and customized functionality that safeguards high-risk practices without overwhelming clinicians. Future research should study the use of patient-controlled and family-controlled interactive bedside technology to and their potential to promote shared decision making and optimize pain care outcomes.
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 | 0,034 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,010 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».