Tools for assessing labour pain: a comprehensive review of research literature
Notice bibliographique
Résumé
ABSTRACT: The experience of pain associated with labour is complex and challenging to assess. A range of pain measurement tools are reported in the literature. This review aimed to identify current tools used in research to assess labour pain across the past decade and to evaluate their implementation and adequacy when used in the context of labour pain. A literature search was conducted in databases MEDLINE and Cumulative Index of Nursing and Allied Health Literature, using search terms relating to labour, pain, and measurement. A total of 363 articles were selected for inclusion. Most studies (89.9%) assessed pain as a unidimensional experience, with the most common tool being the Visual Analogue Scale, followed by the Numerical Rating Scale. Where studies assessed pain as a multidimensional experience, the most common measurement tool was the McGill Pain Questionnaire. Only 4 studies that used multidimensional tools selected a tool that was capable of capturing positive affective states. Numerous variations in the implementation of scales were noted. This included 35 variations found in the wording of the upper and lower anchors of the Visual Analogue Scale, some assessment tools not allowing an option for "no pain," and instances where only sections of validated tools were used. It is clear that development of a standardised pain assessment strategy, which evaluates the multidimensions of labour pain efficiently and effectively and allows for both positive and negative experiences of pain to be reported, is needed.
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 | 0,034 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».