The role of pain coping strategies in prognosis after whiplash injury: Passive coping predicts slowed recovery
Notice bibliographique
Résumé
Pain coping strategies are associated with pain severity, psychological distress and physical functioning in populations with persistent pain. However, there is little evidence regarding the relationship between coping styles and recovery from recent musculoskeletal injuries. We performed a large, population-based prospective cohort study of traffic injuries to assess the relationship between pain coping strategies and recovery from whiplash injuries. Subjects were initially assessed within 6 weeks of the injury, with structured telephone interview follow-up at 6 weeks, and 3, 6, 9 and 12 months post-injury. Coping was measured at 6 weeks using the Pain Management Inventory and recovery was assessed at each subsequent follow-up period, using a global self-report question. Multivariable Cox proportional hazards models showed that early use of passive coping strategies was independently associated with slower recovery. Depressive symptomatology (CES-D) was an effect modifier of this relationship. Without depressive symptomatology, those using high levels of passive coping recovered 37% slower than those using low levels of passive coping (HRR=0.63; 95% CI 0.44-0.91). However, in the presence of depressive symptomatology, those using high levels of passive coping recovered 75% more slowly than those who coped less passively (HRR=0.25; 95% CI 0.17-0.39). In other words, those with depressive symptoms but who used few passive coping strategies recovered four times more quickly than those with depressive symptoms who used high levels of passive coping. Active coping showed no independent association with recovery. These findings highlight the importance of early assessment of both coping behaviors and depressive symptomatology.
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 | 0,004 | 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 ».