The Multidimensional Pain Inventory profiles in patients with chronic cancer-related pain: an examination of generalizability
Notice bibliographique
Résumé
This study examined the generalizability of the non-malignant pain patient profiles based on the Multidimensional Pain Inventory (MPI) to patients with cancer-related pain. Data were collected from 112 cancer patients. In total, 107/112 patients completed the MPI. Of the 96% of patients classified, only 60% were classified by the three main profiles. In this sample, there were 47.7% (n=51) Adaptive Copers, 9.3% (n=10) Dysfunctional, 2.8% (n=3) Interpersonally Distressed; 32.7% (n=35) Anomalous; 3.8% (n=4) Hybrid; and 3.8% (n=4) Unanalyzable. Because of the significantly lower pain severity, interference and affective distress scores, the Anomalous group could be considered Highly Adaptive. Given that 80% were classified as either Adaptive or Anomalous, these findings suggest that while the MPI-based profiles do apply, a two profile classification system may be more suitable for cancer patients than the usual three. In particular, the low proportion of patients classified as Interpersonally Distressed may reflect important differences in social support for cancer patients compared with non-cancer patients. Whereas the MPI-based profiles are consistent across non-malignant pain problems, it appears that the nature of cancer may affect the MPI-based profile classification system more than non-malignant pain problems do.
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 | 0,012 | 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 ».