Notice bibliographique
Résumé
Neuropathic pain, caused by various central and peripheral nerve disorders, is especially problematic because of its severity, chronicity and resistance to simple analgesics. The condition affects 2%-3% of the population, is costly to the health care system and is personally devastating to the people who experience it. The diagnosis of neuropathic pain is based primarily on history (e.g., underlying disorder and distinct pain qualities) and the findings on physical examination (e.g., pattern of sensory disturbance); however, several tests may sometimes be helpful. Important pathophysiologic mechanisms include sodium-and calcium-channel upregulation, spinal hyperexcitability, descending facilitation and aberrant sympathetic-somatic nervous system interactions. Treatments are generally palliative and include conservative nonpharmacologic therapies, drugs and more invasive interventions (e.g., spinal cord stimulation). Individualizing treatment requires consideration of the functional impact of the neuropathic pain (e.g., depression, disability) as well as ongoing evaluation, patient education, reassurance and specialty referral. We propose a primary care algorithm for treatments with the most favourable risk-benefit profile, including topical lidocaine, gabapentin, pregabalin, tricyclic antidepressants, mixed serotonin-norepinephrine reuptake inhibitors, tramadol and opioids. The field of neuropathic pain research and treatment is in the early stages of development, with many unmet goals. In coming years, several advances are expected in the basic and clinical sciences of neuropathic pain, which will provide new and improved therapies for patients who continue to experience this disabling condition.
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 | 0,017 | 0,033 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».