Factors Influencing Neck Pain Intensity in Whiplash-associated Disorders in Sweden
Notice bibliographique
Résumé
OBJECTIVES: To investigate if sociodemographic and economic factors, preinjury health status, and collision factors are associated with initial neck pain intensity in whiplash-associated disorders (WAD) in Sweden. The factors of interest were demographic and socioeconomic factors, prior health, and collision factors. METHODS: A cohort study of car occupants, insured by either of 2 Swedish traffic insurers, age 18 to 74 years, who filed an injury claim and reported WAD after a motor vehicle collision (n=1187) were approached with mailed questionnaires. These contained questions about prior health, details about the collision, and symptoms after the collision. Neck pain intensity was measured on a visual analog scale and categorized into mild pain (0 to 30 mm), moderate pain (31 to 54 mm), and severe pain (55 to 100 mm). RESULTS: Low educational level [odds ratio (OR) 2.8; 95% confidence interval (CI) 1.8-4.5], being sole adult in the family (OR 1.6; 95%CI 1.1-2.2), prior neck pain (OR 2.9; 95%CI 1.4-6.2), prior headache (OR 2.2; 95%CI 0.7-6.9), prior poor general health (OR 2.6; 95%CI 1.4-4.8), and exposure to rollover collision (OR 1.9; 95%CI 1.0-3.8) were all associated with severe initial neck pain intensity. Most of these factors were also associated with moderate pain intensity. DISCUSSION: This study confirms results from a previous study that sociodemographic and economic status, preinjury health status, and collision-related factors are associated with participants' rating of initial neck pain intensity in WAD. The findings are of importance for interpreting and understanding the underlying factors of pain rating.
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 | 0,034 | 0,034 |
| 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 | 0,001 |
| 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 ».