Continuing professional development needs in pain management for Canadian health care professionals: A cross sectional survey
Notice bibliographique
Résumé
Continuing professional development is an important means of improving access to effective patient care. Although pain content has increased significantly in prelicensure programs, little is known about how postlicensure health professionals advance or maintain competence in pain management. The aim of this study was to investigate Canadian health professionals’ continuing professional development needs, activities, and preferred modalities for pain management. This study employed a cross-sectional self-report web survey. The survey response rate was 57% (230/400). Respondents were primarily nurses (48%), university educated (95%), employed in academic hospital settings (62%), and had ≥11 years postlicensure experience (70%). Most patients (>50%) cared for in an average week presented with pain. Compared to those working in nonacademic settings, clinicians in academic settings reported significantly higher acute pain assessment competence (mean 7.8/10 versus 6.9/10; P < 0.002) and greater access to pain specialist consultants (73% versus 29%; P < 0.0001). Chronic pain assessment competence was not different between groups. Top learning needs included neuropathic pain, musculoskeletal pain, and chronic pain. Recently completed and preferred learning modalities respectively were informal and work-based: reading journal articles (56%, 54%), online independent learning (44%, 53%), and attending hospital rounds (43%, 42%); 17% had not completed any pain learning activities in the past 12 months. Respondents employed in nonacademic settings and nonphysicians were more likely to use pocket cards, mobile apps, and e-mail summaries to improve pain management. Canadian postlicensure health professionals require greater access to and participation in interactive and multimodal methods of continuing professional development to facilitate competency in evidence-based pain management.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».