Commentary: Multiple Pains as Functional Pain Syndromes
Notice bibliographique
Résumé
Pain in various parts of the body is reported by many chil-dren and adolescents, especially girls. Kröner-Herwig, Gassmann, van Gessel, and Vath (2011, this issue) report on a large community study of youth aged 10–17 years in which 66 % of the female respondents and 41 % of the males reported pain in two or more body locations within the last 6 months. Headache, abdominal pain, and back pain were the most frequent of these locations. Kröner-Herwig et al. used multiple regression techniques to identify associations as potential predictors of these pains, finding small contributions of psychosocial variables and large contributions of age, sex, and prior pain. Many interesting questions are raised by the findings of Kröner-Herwig et al., for example: (a) Why do multiple pains often cluster or occur sequentially within individuals as they do? (b) What is the basis of the large sex or gender differences in prevalence of pain? (c) Could multiple pains in adolescence predict later chronic pain and psychological illness? We focus in this commentary on the first of these questions. In addressing this question, we briefly survey adult studies related to various functional pain syndromes, finding that they have many shared features and risk factors. We examine twin studies showing shared ge-netic influences among functional pain syndromes as well as anxiety and depression. We conclude with a por-trayal of functional pain syndromes as largely comprising different manifestations of an underlying propensity or vulnerability to respond to stressors with the experience and report of pain, rather than separate disorders. The main constructs discussed in this commentary are summarized in Figure 1. Why do Multiple Pains often Cluster or Occur Sequentially as they do?
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».