Alexithymic and somatisation scores in patients with temporomandibular pain disorder correlate with deficits in facial emotion recognition
Notice bibliographique
Résumé
Current studies suggest dysfunctional emotional processing as a key factor in the aetiology of temporomandibular disorder (TMD). Investigating facial emotion recognition (FER) may offer an elegant and reliable way to study emotional processing in patients with TMD. Twenty patients with TMD and the same number of age-, sex- and education-matched controls were measured with the Facially Expressed Emotion Labelling (FEEL) test, the 26-item Toronto Alexithymia Scale (TAS-26), the Screening for Somatoform Symptoms (SOMS-2a), the German Pain Questionnaire and the 21-item Hamilton Depression Rating Scale (HAMD). The patients had significantly lower Total FEEL Scores (P = 0·021) as compared to the controls, indicating a lower accuracy of FER. Furthermore, we were able to demonstrate significant group differences with respect to the following issues: patients were more alexithymic (P = 0·006), stated more somatoform symptoms (P < 0·004) and had higher depressive scores in the HAMD (P < 0·003). The factors alexithymia and somatisation could explain 31% (adjusted 27%) of the variance of the FEEL Scores in the sample. The estimation of the standardised regression coefficients suggests an equivalent influence of TAS-26 and SOMS-2a on the FEEL Scores, whereas 'group' (patients versus healthy controls) and depressive symptoms did not contribute significantly to the model. Our findings highlight FER deficits in patients with TMD, which are partially explained by concomitant alexithymia and somatisation. As suggested previously, impaired FER in patients with TMD may further point to probable aetiological proximities between TMD and somatoform disorders.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».