Enquête en ligne canadienne relative aux perspectives du personnel infirmier en oncologie sur les caractéristiques déterminantes de la douleur aiguë liée au cancer et son évaluation
Bibliographic record
Abstract
Cet article explore la reconnaissance, par les infirmières en oncologie, de la douleur aiguë liée au cancer (DAC), les méthodes qu’elles utilisaient pour l’identifier et l’évaluer et enfin, leur perception du fardeau qu’elle constitue pour les patients. Un questionnaire en ligne a été distribué à 688 infirmières en oncologie de l’ensemble du Canada, et 201 d’entre elles l’ont rempli. Soixante-quatre pour cent des infirmières sondées signalaient que 41-80 % de leurs patients éprouvaient de la DAC, mais beaucoup d’entre elles n’étaient pas sûres des caractéristiques fondamentales du profil d’un épisode de DAC. Quoiqu’une minorité des répondantes (33 %) indiquaient qu’elles n’utilisaient pas de lignes directrices ni d’outils d’évaluation de la douleur afin de faciliter le diagnostic de la DAC, celles qui s’en servaient soutenaient grandement leur utilisation. Les résultats de l’enquête confirment l’effet débilitant de la DAC, mais une formation additionnelle est exigée si l’on veut améliorer la qualité et l’uniformité de l’évaluation de la douleur. Mots-clés : douleur aiguë liée au cancer, soins infirmiers, gestion de la douleur, Canada
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 | 0.009 | 0.035 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".