Predictors of triage pain assessment and subsequent pain management among pediatric patients presenting to the emergency department
Notice bibliographique
Résumé
BACKGROUND: Pediatric patients with pain of various causes present to the emergency department. Appropriate assessment and management of pain are important aspects of emergency department treatment. However, only a few studies have identified the predictors of both outcomes. This study aimed to evaluate the rate of pain assessment at triage and subsequent management and to identify the predictors of each outcome. METHODS: This was a multi-center retrospective study based at five community emergency departments. Pediatric patients (< 18 years) with pain or injury who presented to the emergency department between February 2018 and May 2018 were included. In addition to patient demographics, the initial pain assessment at triage, reason for visit, and time to analgesia were determined. Further, the type and route of analgesia were identified in patients who received analgesia. Univariate and multivariable regression models were used to identify predictors of pain assessment and management. RESULTS: There were 4,128 patients with an average age of 9.6 years, and 49.1% of them were female. Only 74.2% of the patients underwent assessment for pain at triage, and 18.3% received analgesia. The median time to analgesia was 95 (IQR: 49-154) min. Most patients presented with head/neck (36.1%), upper limb (21.6%), and lower limb (19.9%) pain. The oral route was the most common analgesia delivery method (67.4%), and ibuprofen and acetaminophen were the primary agents used. Younger age, higher acuity, and presenting with head or neck pain were independent predictors of pain assessment at triage, while children 3-5 years and those with lower extremity pain were more likely to receive analgesia. CONCLUSION: Although pain assessment at triage has improved in pediatric patients, there is still a major deficiency in adequate pain management. Our study highlights predictors of pain assessment and management that can be considered for improved pediatric care.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».