Adolescents’ perspectives on non-pharmacological pain interventions for sickle cell crisis management: A population-based survey
Notice bibliographique
Résumé
BACKGROUND & AIMS: Nigeria has the highest sickle cell disease (SCD) prevalence globally. Research indicates that adolescents often utilize non-pharmacological interventions (NPIs) to cope with recurrent painful sickle cell crises (SCC) while navigating the complex biopsychosocial challenges of adolescence. This study explored the use and perceived value of NPIs for managing SCC pain from the perspectives of Nigerian adolescents, including their preferred media for NPI educational resources. METHODS: A population-based survey targeted adolescents aged 12-18 living with SCD in Nigeria. Adolescents were recruited using convenience and snowballing sampling through SCD support groups and were asked to complete a 27-item questionnaire delivered online or on paper. Data were descriptively analysed. RESULTS: Out of 138 surveys returned, 123 surveys were included in the final analysis. Among the participants, 51% were males with a mean age of 14.85 (SD ± 2.11). Most participants (77%) had used at least one NPI to manage pain during SCC, and 31 different NPIs were reported. The most used NPIs were massage (53%), herbal products (37%) and prayer (30%). Participants described various factors that impacted their use of NPI, including healthcare providers' disapproval. The most common NPIs that the adolescents plan to use in the future were: herbal products (45%), massage (33%) and prayer (30%). Lastly, respondents preferred to receive NPI education via videos (34%) and animations (20%). CONCLUSIONS: The study showed that Nigerian adolescents use various NPIs to manage their pain during SCC, including traditional remedies and physical and spiritual interventions. Most participants already used (or planned to use) herbal products and other NPIs with limited scientific evidence of their safety or effectiveness on SCD outcomes. This warrants the attention of clinicians and researchers as there is an urgent need to further explore the specific NPIs used and their effectiveness on SCD outcomes and safety.
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 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».