Nonmalignant Chronic Pain Evaluation in the Turkish Population as Measured by the McGill Pain Questionnaire
Notice bibliographique
Résumé
BACKGROUND: The purpose of this study was to explore how Turkish nonmalignant pain patients described their pain and how the language of pain used by Turkish patients compares to the language found in common pain assessment tools. OBJECTIVE: Pain is influenced by a combination of ethnic, cultural, psychological, and social variants. In the Turkish language, six words are central to pain-like experiences: ağri (pain), aci (suffering), sizi (aching), sanci (colic), istirap (agony), and dert (torture). We assessed discriminant characteristics of the Turkish translation of the McGill Pain Questionnaire (MPQ). METHODS: Chronic clinical nonmalignant pain patients (n = 319, 35.7% males, 64.3% females) were questioned with the Turkish translation of the MPQ. Pain symptoms were categorized as headache (33.5%), musculoskeletal pain (33.2%), visceral pain (18.8%), and low back pain (14.5%). RESULTS: The visceral pain group had the highest mean value in the evaluative subscale (2.6 +/- 1.9). Descriptions used for sensory subscale included throbbing, sharp, aching, and tingling, while affective subscale words included tiring, suffocating, sickening, cruel, and wretched. In all pain groups, frequently chosen words for the miscellaneous subscale were nagging and penetrating. CONCLUSION: Pain descriptors were identified for each type of pain. This is, to our knowledge, the first assessment of the Turkish translation of the MPQ in nonmalignant pain patients.
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 | 0,152 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».