Healthcare professionals’ perspectives on optimizing pain care-related education at a Canadian children’s hospital: A qualitative study
Notice bibliographique
Résumé
Objectives: Pain affects all children and youth, yet acute and procedural pain remains undertreated in Canadian hospitals. To improve pain management practices in paediatric hospitals, it is necessary to understand how healthcare professionals (HCPs) wish for educational interventions to be designed to improve their pain management practice. Methods: Semi-structured interviews were conducted with 18 HCPs between October and December 2020. Snowball sampling was used to first recruit interested members from the hospital's Pediatric Pain Management Committee. Interviews were conducted per participant preference and included Zoom, telephone, and in-person interviews. Recruitment ceased when data were determined sufficiently rich. A thematic analysis of verbatim transcripts and reflexive field notes were used to create a data set focused on knowledge mobilization and clinical education. Results: Three core themes were identified: (a) the necessity for just-in-time education for HCPs; (b) the availability of clinical pain champions to educate staff; and (c) the provision of resources to educate children and their families about available pain management interventions. Just-in-time education included suggestions for in-service training, hands-on training, and regular updates on the latest research. Pain champions, including clinical nurse educators, were stressed as being important in motivating staff to improve their pain management practices. Participants noted the lack of resources for patient and family education on pain management and suggested providing more multimodal resources and educational opportunities. Conclusion: Having local champions introduce pain management initiatives and just-in-time education positively impacts the implementation climate, which also helps HCPs provide evidence-based education and resources to patients and families.
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 | 0,011 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,025 | 0,011 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,003 | 0,004 |
| 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 ».