Pain Cues in People With Dementia: Scoping Review
Notice bibliographique
Résumé
Background: Individuals with dementia, especially those in later stages, have difficulties with verbally reporting their experience of pain. This results in both underassessment and undertreatment of pain, signaling the need for better pain recognition in persons with dementia. A promising form of pain assessment is digital monitoring, which can concurrently and more objectively detect and use numerous relevant pain cues. Objective: This review aimed to identify observable cues of pain, which could be used for digital pain monitoring. A total of 2 research questions (RQs) were formed as we set out to examine which digital cues offered a valid insight into pain in people with dementia (RQ1) and identify how these cues were originally measured (RQ2). Methods: A standard methodological approach for scoping reviews was used. Relevant research papers were chosen based on SCOPUS and Web of Science databases, and relevant data on pain cues were extracted from all papers that satisfied the inclusion criteria. The gathered data were analyzed using a thematic analysis, which involved categorizing the observable cues into higher-order categories. Results: Of the 3705 publications identified in the search, 34 satisfied the inclusion criteria and were closely examined. Addressing RQ1, we identified 7 categories of behavioral and physiological cues associated with pain, most frequently facial expressions (20/34, 59%) and body movements or expressions (15/34, 44%). Several subcategories for each main category of pain cues were also identified, each involving between 1 and 28 relevant specific pain cues. Addressing RQ2, 29/34 (85%) studies assessed pain cues via human observation only, while 5/34 (15%) combined human observation with either facial recognition software, PainChek app, or computer vision. Conclusions: The review provides a comprehensive list of the most relevant cues that signify pain in persons with dementia and offers a foundation for the use of artificial intelligence and digital monitoring for the screening of pain in dementia.
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 | 0,009 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,019 | 0,018 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».