Analgesic practices for acute pain management in cats and dogs in Africa
Notice bibliographique
Résumé
OBJECTIVES: To understand perceptions and analgesic practices for acute pain management in cats and dogs by veterinarians in Africa. MATERIALS AND METHODS: Data from small animal veterinarians were collected using an online questionnaire (English/French) and convenience sampling. Pain management practices and perceptions of veterinarians were analysed using multiple correspondence analysis. RESULTS: A total of 249 participants completed the survey from 20 countries. The readily available opioids, non-steroidal anti-inflammatory drugs and local anaesthetics were morphine (n = 90; 36.1%), meloxicam (n = 200; 80.3%) and lidocaine (n = 245; 98.4%), respectively. The majority of participants reported not using pain assessment instruments for perioperative pain in cats (n = 169; 67.9%) or dogs (n = 170; 68.3%). Feline Grimace Scale (n = 27; 10.8%) and Glasgow Composite Measure Pain Scale (n = 30; 12.0%) were the most commonly used instruments in cats and dogs, respectively. Multiple correspondence analysis identified one cluster representing high knowledge of pain assessment, use of peri-operative non-steroidal anti-inflammatory drugs and opioids, pain assessment instruments and recommendations of ongoing non-steroidal anti-inflammatory drug therapy after ovariohysterectomy. The second cluster represented low knowledge of pain assessment, non-use of peri-operative non-steroidal anti-inflammatory drugs and opioids, non-use of pain assessment instruments and no recommendations for ongoing non-steroidal anti-inflammatory drug therapy after ovariohysterectomy. CLINICAL SIGNIFICANCE: Low knowledge and limited access to analgesics were associated with the non-use of perioperative non-steroidal anti-inflammatory drugs and opioids, pain assessment tools and non-steroidal anti-inflammatory drug therapy following ovariohysterectomy. Continuing education programs and improved drug availability are essential for improving pain management in cats and dogs.
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 | 0,003 |
| 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) | 0,002 | 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 ».