Fatigue in multiple sclerosis: association with disease-related, behavioural and psychosocial factors
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
We determined biopsychosocial correlates of general, physical, and mental fatigue in MS patients, by evaluating the additional contribution of potentially modifiable factors after accounting for non-modifiable disease-related factors. Fifty-three ambulatory MS patients, along with 28 normal controls were recruited for a cross-sectional study. Subjects completed the Multidimensional Fatigue Inventory (MFI) and Fatigue Severity Scale. Potential correlates evaluated were: disease-related factors (disease duration and type, immunomodulating treatment, muscle strength, pain, forced vital capacity (FVC), respiratory muscle strength, body mass index, disability, fibromyalgia), behavioural factors (physical activity, sleep quality) and psychosocial factors (depression, stress, self-efficacy). Multivariate models were calculated for MFI General, Physical, and Mental Fatigue. Age-adjusted multivariate models with non-modifiable factors included the following predictors (P < or = 0.10) of 1) MFI General and Mental Fatigue: none; and 2) MFI Physical Fatigue: FVC and disability. The following potentially modifiable predictors (P < or = 0.10) made an additional contribution to the models 1) MFI General Fatigue: sleep quality, self-efficacy, pain; 2) MFI Physical Fatigue: self-efficacy, physical activity; and 3) MFI Mental Fatigue: stress, self-efficacy. Fatigue in MS is multidimensional. Correlates of general and physical fatigue are disease-related, behavioural and psychosocial factors. Correlates of mental fatigue are psychosocial factors. Potentially modifiable factors account for a considerable portion of fatigue.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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