An Action-Based Approach to Improving Pain Management in Long-Term Care
Bibliographic record
Abstract
RÉSUMÉ Objectif : Les objectifs de cette étude étaient double : (1) d’explorer les obstacles à la gestion de la douleur et ceux associés à la mise en œuvre d’un programme de gestion de la douleur en soins de longue durée (SLD) et (2) de développer une approche interprofessionelle afin d’améliorer la gestion de la douleur en soins de longue durée. Méthodes : Une étude de cas a inclus tous les deux éléments, quantitatifs et qualitatifs. Nous avons recueilli des données sur deux sites LTC à l’aide de sept groupes de discussion pour les infirmières autorisées, fournisseurs de soins non réglementés, et médecins, et 10 entretiens avec des autres groupes de fournisseurs de soins de santé, l’administration et des résidents. Nous avons examiné les documents et administré un sondage à court aux participants à l’étude pour évaluer les perceptions des obstacles à la gestion de la douleur. Résultats : Les résultats ont révélé des obstacles à la gestion efficace de la douleur au niveau des soins de longue durée des résidents et des familles, des fournisseurs de soins de santé, et des systèmes de santé. Nous avons ensuite élaboré un modèle à six niveaux, avec les interventions proposées pour surmonter ces obstacles. Conclusions : Ce modèle peut guider le développement d’approches novatrices pour améliorer la gestion de la douleur dans les établissements de soins de longue durée.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.017 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".