Unleashing the Potential of Primary Care Nurses in Chronic Pain Management: A Delphi Study to Identify Priority Activities
Notice bibliographique
Résumé
Chronic pain (CP) is a major cause of global disability, with patients often reporting inadequate access to primary care. Relevant primary care nursing activities for CP management are poorly defined, limiting the effective use of nurses' competencies in managing chronic diseases. This study aimed to identify and prioritize nursing activities for CP management. A three-round Delphi study was conducted among primary care nurses and individuals experiencing pain for over 3 months in Québec, Canada. In the first round, participants identified important nursing activities for CP management through open-ended questions. In the following two rounds, these activities were rated for importance using a 9-point Likert scale. Activities rated 7, 8, or 9 by ≥75% of participants were considered priority activities. A total of 48 nurses and 122 patients participated (n = 170) in the process. From 47 nursing activities derived from 1,167 narrative suggestions in the first round, 41 were prioritized by ≥75% of participants in the final round. These activities were categorized into four domains: global assessment (n = 15, 36.6% of all activities), care management (n = 10, 24.4%), health promotion (n = 7, 17.1%), and interprofessional collaboration (n = 9, 22.0%). The top three activities were: assessing dimensions of pain experience, screening for mood disorder symptoms, and establishing a therapeutic alliance with an empathic approach. Nurses and persons with lived experience identified a shared set of nursing activities for management of CP, aligning with usual care practices for chronic disease patients. These findings could inform clinical guidance on CP management and enhance the role of nurses in primary care 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 | 0,004 | 0,000 |
| 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 | 0,000 | 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 ».