Implementation of Shared Decision-Making in the Management of Chronic Musculoskeletal Pain: <i>a scoping review</i>
Notice bibliographique
Résumé
Abstract Shared decision-making (SDM) is increasingly recommended for managing chronic musculoskeletal pain, yet its use and implementation in clinical practice remains poorly understood. This scoping review aimed to identify and synthesize barriers and facilitators to the implementation and use of SDM across healthcare settings. A systematic search of seven databases conducted in April 2025 yielded 28 eligible studies. Using a deductive–inductive–deductive analysis approach, we mapped findings to existing SDM taxonomies and the Theoretical Domains Framework. We identified 16 themes and 46 subthemes spanning patient-, clinician-, interactional-, and system-level factors. Key facilitators included SDM training, decision aids, effective communication, empathetic care, trust, and strong therapeutic alliances. Barriers included time constraints, lack of individualized care, insufficient knowledge, conflicting beliefs about pain, and system-level obstacles such as limited resources or organizational support. Prominent theoretical domains included knowledge, skills, beliefs about consequences, and environmental context and resources. These findings offer a comprehensive overview of multilevel factors shaping SDM in musculoskeletal care. Future studies should focus on developing context-sensitive knowledge translation interventions to overcome barriers and leverage facilitators to promote the uptake of SDM in musculoskeletal pain. Trial registration: https://doi.org/10.17605/OSF.IO/SH8G4 .
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 | 0,052 | 0,184 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,012 | 0,014 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».