Commentary: The Importance of Sleep in Pediatric Chronic Pain--A Wake-up Call for Pediatric Psychologists
Notice bibliographique
Résumé
Historically, sleep problems were not commonly considered as a core component of pediatric chronic pain, in contrast to other well-established correlates, such as physical disability, depression, anxiety, and family disruption. At best, when they were considered, sleep disturbances were viewed as a secondary problem with questionable impact on pediatric pain management. It has been only recently that reviews and empirical studies have drawn our attention to the importance of sleep as a variable that can have a significant influence on, and be influenced by, pediatric chronic pain (e.g., Gagliese & Chambers, 2007; Huntley, Campo, Dahl, & Lewin, 2007; Lewin & Dahl, 1999; Meltzer, Logan, & Mindell, 2005; Miller, Palermo, Powers, Scher, & Hershey, 2003; Palermo & Kiska, 2005). The four studies on sleep and pain published in this special issue (Long et al., this issue; Tsai et al., this issue; Valrie et al., this issue; Ward et al., this issue) together serve to reinforce and extend our current understanding of the importance of sleep in pediatric chronic pain. The studies apply diverse methodologies for assessing sleep (i.e., self-report questionnaires, daily diaries, actigraphy, and polysomnography) across several different chronic pain conditions (i.e., arthritis, musculoskeletal pain, sickle cell disease, and headache), yet the results send a consistent message. Sleep problems are common in children with chronic pain and are related to mood disturbances and difficulties with daily functioning. The application of advanced statistical techniques such as multilevel modeling (Valrie et al., this issue) further highlights the complex interrelationships among sleep, pain, and other variables such as mood.
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 | 0,013 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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; 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 ».