Pain Measurement in Infants and Children With and at Risk for Intellectual Disabilities
Notice bibliographique
Résumé
Standards of patient care require that comprehensive pain assessments be conducted at routine intervals. Infants and children with and at risk for intellectual disabilities, who are at high risk for experiencing pain, receive significantly less representation in the literature to inform pain measurement practice. The objectives of this review include (1) review and discuss the current literature surrounding pain measurement in infants and children with and at risk for intellectual disabilities, (2) define pain assessment tools, scales, and measures that are being used in infants and children with and at risk for intellectual disabilities, (3) discuss the strengths and limitations of the pain assessment tools, scales, and measures, (4) make recommendations for future pain research focused on this population. A narrative review of the literature regarding pain measures in infants and children with and at risk for intellectual disabilities was conducted using PubMed. A search strategy was created in consultation with a librarian scientist. There were no date limiters applied to the search. Pain measures can be classified as self-report, behavioral (e.g., cry, facial expressions), physiological (e.g., heart rate, biomarkers, oxygen saturation, respiratory rate), and neurophysiological (electroencephalogram, functional magnetic resonance imaging, near infrared spectroscopy). There is a considerable dearth in the literature surrounding pain measures and pain indicators in this population, along with small sample sizes and inconsistent findings reported across studies. Future research is needed to compare pain responses across different age groups and intellectual disability diagnoses to neurotypical peers.
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 | 0,006 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».