Orofacial Pain is Underrepresented in Brazilian Dental Education: Findings from a National Cross-Sectional Study
Notice bibliographique
Résumé
Background: Effective pain management is essential to high-quality dental care, and its inclusion in dental curricula is vital to ensure future professionals are adequately trained. In Brazil, however, little is known about how pain-related content is integrated into undergraduate dental education. This study aimed toCitation1 identify whether pain curricula are present in Brazilian undergraduate dentistry programs andCitation2 analyze the content covered in these curricula, using international recommendations as a benchmark. Methods: We examined all accredited dental education programs (DEPs) in Brazil and analyzed their curricular content based on guidelines from the International Association for the Study of Pain (IASP) and the American Dental Association (ADA). Results: Among 274 DEPs analyzed, only 50 (18.2%) included a dedicated pain curriculum. Regional distribution varied, with 91 programs (25.1%) in the Northeast, 141 (38.8%) in the Southeast, 43 (11.8%) in the Midwest, 26 (7.2%) in the North, and 62 (17.1%) in the South. Among the 17 programs with curricula fully available, the most frequently covered topics were related to pharmacological management, such as local anesthetics (70.6%), airway anatomy and physiology (64.7%), and drug administration routes, analgesics, and antagonists (52.9%). In contrast, topics such as pain definitions and orofacial pain conditions (23.5%), orofacial malignancies (41.2%), and pain and anxiety control (11.8%) were less frequent. Notably, non-pharmacological approaches and drug abuse prevention were almost entirely absent. Conclusion: Brazilian dental education programs fall short of meeting the IASP and ADA recommendations for pain education, particularly regarding non-pharmacological content and substance misuse. These findings highlight significant curricular gaps that may affect dental students’ training and preparedness. Our results can support curriculum planners and academic leaders in identifying regional disparities and thematic omissions, ultimately guiding improvements in pain education within undergraduate dental programs.
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 | 0,003 | 0,001 |
| 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 | 0,001 |
| 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 ».