Prevalence of Musculoskeletal Pain and Rheumatic Diseases in the Southeastern Region of Mexico. A COPCORD-Based Community Survey
Notice bibliographique
Résumé
OBJECTIVE: To assess the prevalence of musculoskeletal (MSK) pain and rheumatic diseases in the southeastern Mexican state of Yucatán. METHODS: Using the Community Oriented Program in the Rheumatic Diseases (COPCORD) methodology, we performed a door-to-door, cross-sectional study generated through a multistage, stratified, randomized method on 3915 adult residents (age 42.7 ± 17.1 yrs; women 61.8%; urban setting 45.7%) of the Mexican state of Yucatán. We used universally accepted criteria for the diagnosis or classification of rheumatoid arthritis (RA), osteoarthritis (OA; knee and hand), fibromyalgia, systemic lupus erythematosus (SLE), gout, ankylosing spondylitis, regional rheumatic pain syndromes, and inflammatory back pain. RESULTS: Nontraumatic MSK pain in the last 7 days was present in 766 (19.6%; 95% CI 18.3-20.8) individuals. MSK pain was more prevalent in women (26.6%) versus men (12.2%; p < 0.01). Self-reported MSK disability occurred in 1.7%. Most MSK pain-related variables were consistently more prevalent in the urban setting. The prevalence of rheumatic disease was: OA 6.8% (95% CI 6.0-7.6); back pain 3.8% (95% CI 3.2-4.4); RA 2.8% (95% CI 2.2-3.3); rheumatic regional pain syndromes 2.3% (95% CI 1.9-2.8); inflammatory back pain 0.7% (95% CI 0.5-1.0); fibromyalgia 0.2% (95% CI 0.1-0.4); gout 0.1% (95% CI 0.07-0.3); and SLE 0.07% (95% CI 0.01-0.2). CONCLUSION: The prevalence of MSK pain was 19.6%. MSK pain was more prevalent in women and in the urban setting. A remarkably high prevalence of RA was found in this population, which suggests a role for geographic factors.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».