A New Approach to Haemodialysis: Nurse-Led Dual Intervention Eases AV-Fistula Puncture Pain and Discomfort
Notice bibliographique
Résumé
Background: Chronic kidney disease (CKD) affects approximately 10% of the global population and often progresses to end-stage renal disease, necessitating hemodialysis. Arteriovenous (AV) fistula puncture is a routine yet painful procedure, highlighting the need for effective pain management strategies. Objective: This study aimed to evaluate the effectiveness of a Nurse-Led Dual Intervention, combining cryotherapy and virtual reality, in reducing pain and discomfort during AV fistula puncture among hemodialysis patients. Methods: A randomized controlled trial was conducted with 60 hemodialysis patients assigned to either an experimental or control group. Pain and discomfort were assessed using McGill's Pain Rating Scale and Borg's Perceived Discomfort Rating Scale. The intervention involved the simultaneous application of cryotherapy and virtual reality distraction during AV fistula puncture, while the control group received standard care. Results: Post-intervention analysis demonstrated a 43.62% reduction in symptom scores in the experimental group compared to a 2.80% reduction in the control group. Significant decreases in pain intensity and discomfort scores were observed in the experimental group. Additionally, statistical analysis revealed meaningful associations between socio-demographic variables and pain management outcomes. Conclusion: The findings suggest that integrating non-pharmacological interventions, such as cryotherapy and virtual reality, can significantly improve patient comfort and quality of life during hemodialysis. Future research should explore the broader clinical applications of this dual intervention for pain management in various healthcare settings.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».