Improving the detection of chronic migraine: Development and validation of Identify Chronic Migraine (ID-CM)
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
BACKGROUND: Migraine, particularly chronic migraine (CM), is underdiagnosed and undertreated worldwide. Our objective was to develop and validate a self-administered tool (ID-CM) to identify migraine and CM. METHODS: ID-CM was developed in four stages. (1) Expert clinicians suggested candidate items from existing instruments and experience (Delphi Panel method). (2) Candidate items were reviewed by people with CM during cognitive debriefing interviews. (3) Items were administered to a Web panel of people with severe headache to assess psychometric properties and refine ID-CM. (4) Classification accuracy was assessed using an ICHD-3β gold-standard clinician diagnosis. RESULTS: Stages 1 and 2 identified 20 items selected for psychometric validation in stage 3 (n = 1562). The 12 psychometrically robust items from stage 3 underwent validity testing in stage 4. A scoring algorithm applied to four symptom items (moderate/severe pain intensity, photophobia, phonophobia, nausea) accurately classified most migraine cases among 111 people (sensitivity = 83.5%, specificity = 88.5%). Augmenting this algorithm with eight items assessing headache frequency, disability, medication use, and planning disruption correctly classified most CM cases (sensitivity = 80.6%, specificity = 88.6%). DISCUSSION: ID-CM is a simple yet accurate tool that correctly classifies most individuals with migraine and CM. Further testing in other settings will also be valuable.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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