A prospective identification of neuropathic pain in specific chronic polyneuropathy syndromes and response to pharmacological therapy ☆
Notice bibliographique
Résumé
Although many pharmacological agents are used in the therapy of neuropathic pain (NeP) due to polyneuropathy (PN), there are limited comparison studies comparing these agents. We evaluated patients with PN and related NeP in a tertiary care neuromuscular clinic with prospective follow-up after 3 and 6 months for degree of NeP using a Visual Analog Score (VAS). Clinical response to specific open-label pharmacotherapies was measured and compared for those patients not receiving pharmacotherapy. The severity of PN was quantified by the Toronto Clinical Scoring System (TCSS), with patients classified according to etiology of PN. Of a total of 408 patients referred for diagnosis and/or management of PN, NeP was identified in 182 patients (45%). NeP was most prevalent in patients with alcohol-associated PN. Pharmacotherapy management was provided in 91% of cases at first visit, and for 87% of cases after 6 months of follow-up. There were no serious adverse events for patients related to any medications, which included gabapentinoids, tricyclic antidepressants, anticonvulsants, cannabinoids and topical agents. Prevalence of intolerable side effects was similar amongst groups of medications. Approximated numbers needed to treat were similar between different individual oral pharmacotherapies, trending towards greater treatment efficacy with combination therapy. NeP is common in patients with PN and frequently requires pharmacotherapy management, which may be more effective with combination therapy. Future studies assessing longer duration of follow-up and quality of life changes with the use of various pharmacotherapies for management of NeP due to PN will be important.
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 | 0,008 | 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 ».