Prediction of post‐operative pain after a laparoscopic tubal ligation procedure
Notice bibliographique
Résumé
BACKGROUND: Pre-operative identification of reliable predictors of post-operative pain may lead to improved pain management strategies. We investigated the correlation between pre-operative pain, psychometric variables, response to heat stimuli and post-operative pain following a laparoscopic tubal ligation procedure. METHODS: Assessments of anxiety, mood, psychological vulnerability and pre-operative pain were made before surgery using the State-Trait Anxiety Inventory (STAI), the Hospital Anxiety Depression Scale (HADS), a psychological vulnerability test and the Short-Form McGill Pain Questionnaire (SF-MPQ), respectively. Pre-operative assessments of thermal thresholds and pain response to randomized series of heat stimuli (1 s, 44-48 degrees C) were made with quantitative sensory testing technique. Post-operative pain intensity was evaluated daily by a visual analogue scale during rest and during standardized dynamic conditions for 10 days following surgery. Univariate and multivariate regression analyses were used to construct prediction models. RESULTS: Fifty-nine patients completed the study. Post-operative pain was significantly correlated with pre-operative pain (SF-MPQ), heat pain perception, psychological vulnerability, STAI and HADS. In the multiple regression model pre-operative pain and heat pain perception were significant predictive factors (R=0.537-0.609). CONCLUSION: The study indicates that pre-surgical pain and heat pain sensitivity are important pre-operative indicators of post-operative pain intensity, while psychological factors like vulnerability and anxiety seem to contribute to a lesser degree after laparoscopic tubal ligation. The prediction model accounted for 29-43% of the total variance in post-operative movement-related pain.
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 | 0,000 | 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 | 0,000 |
| 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 ».