Optimiser la gestion de la douleur chronique : explorer la contribution essentielle du personnel infirmier en soins primaires
Bibliographic record
Abstract
IntroductionL’expertise infirmière en soins primaires est cruciale pour répondre aux besoins des patients vivant avec une maladie chronique. Au Canada, une personne sur cinq vit avec de la de douleur chronique (DC), créant ainsi un fardeau socioéconomique majeur. Cependant, le rôle du personnel infirmier en soins primaires en DC reste sous-développé.ObjectifsCette revue narrative analyse l’adéquation du récent Plan d’action québécois en DC avec les modèles de soins reconnus pour la gestion des maladies chroniques et examine le rôle potentiel du personnel infirmier dans la mise en œuvre de ce plan.MéthodeLa synthèse de la littérature a été menée à partir de diverses bases de données (CINAHL, PubMed) et sources documentaires en français et en anglais. Les résultats ont été interprétés à travers le prisme du Chronic Care Model, un cadre reconnu pour améliorer les soins.RésultatsBien que le Plan d’action québécois en DC soit aligné sur les objectifs visés, sa mise en œuvre devra surmonter divers défis. Les constats indiquent des opportunités efficaces dans la gestion de la DC, comme le montrent des études sur la pratique infirmière en soins primaires. Elles révèlent que le personnel infirmier exerce déjà des activités de gestion des maladies chroniques applicables à la DC.ConclusionIl est important de reconnaître l’apport de l’expertise infirmière en soins primaires pour réévaluer les modèles d’organisation des soins, promouvoir un partage de responsabilités fondé sur les données probantes, et soutenir la recherche future ainsi que l’innovation clinique dans la gestion de la DC.
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 | 0.014 | 0.043 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 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".