Is Pain Intensity a Predictor of the Complexity of Cancer Pain Management?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: The lack of a standardized cancer pain (CP) classification system prompted the development of the Edmonton Classification System for Cancer Pain (ECS-CP). Its five features have demonstrated value in predicting pain management complexity. Pain intensity (PI) at initial assessment has been proposed as having additional predictive value. We hypothesized that patients with moderate to severe CP would take longer to achieve stable pain control, use higher opioid doses, and require more complicated analgesic regimens than would patients with mild CP at initial assessment. METHODS: A secondary analysis of a multicenter ECS-CP validation study involving patients with advanced cancer was conducted (n = 591). Associations between PI and length of time to stable pain control (Cox regression), final opioid dose (Kruskal-Wallis one-way analysis of variance), and number of adjuvant modalities (chi(2)) were calculated. PI at initial assessment was defined using a numerical scale as mild (0 to 3), moderate (4 to 6), or severe (7 to 10). RESULTS: Patients with moderate and severe pain required a significantly longer time to achieve stable pain control (P < .0001). PI was a significant predictor of length of time to stable pain control in the univariate regression analysis. The four significant predictors in the multivariate model were moderate and severe PI (P < .0001), age (P = .001), and neuropathic pain (P = .002). Patients with moderate to severe pain required significantly higher final opioid doses (P < .0001) and more adjuvant modalities (P = .015). CONCLUSION: PI at initial assessment is a significant predictor of pain management complexity and length of time to stable pain control. Incorporation of this feature into the ECS-CP needs additional consideration.
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.
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 | 0,009 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 découle