Pain-Related Emotions in Early Stages of Recovery in Whiplash-Associated Disorders
Notice bibliographique
Résumé
OBJECTIVE: Psychological factors such as depression affect recovery after whiplash-associated disorders. This study examined the prevalence of pain-related emotions, such as frustration, anger, and anxiety, and their predictive value for postcrash pain recovery during a 1-year follow-up. METHODS: A population-based prospective cohort study design was used. Self-reported pain-related depression, anxiety, fear, anger, and frustration were assessed using 100-mm visual analog scales (VASs) at 6 weeks after crash in 2986 persons with traffic-related whiplash-associated disorder. Multivariable logistic regression was used to assess the relationship between the intensity of these pain-related emotions and pain recovery at 4 and 12 months after crash. Pain was measured at all time points on a 100-mm VAS, and pain recovery was defined as a score of 10 or lower. RESULTS: Pain-related frustration was the most intense, with a mean score of 52. Only 3% of the cohort reported having no pain-related frustration, and 4% reported no pain-related anxiety. Multivariable logistic regression models revealed that each pain-related emotion increased the risk of failing to recover (odds ratios for each point increase on the 100-mm VAS), ranging from 1.011 to 1.015. Specifically, with each 10-point increase in pain-related emotion, the odds of failing to achieve pain recovery at 4 months was increased by 14% (p < .001) for depression, 15% (p < .001) for anxiety, 11% (p < .001) for fear, 12% (p < .001) for anger, and 11% (p < .001) for frustration. CONCLUSIONS: These findings suggest that it may be beneficial for health care providers to address emotional status related to pain in the first few weeks after a whiplash injury.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».