A brief screening tool for knee pain in primary care (KNEST). 2. Results from a survey in the general population aged 50 and over
Notice bibliographique
Résumé
OBJECTIVE: To use a brief screening tool to identify knee pain (all knee pain, non-chronic and chronic knee pain) and associated health-care use in the general population aged 50 yr and over. METHODS: A cross-sectional survey was mailed to 8995 individuals registered with three general practices in North Staffordshire, UK. The questionnaire included a Knee Pain Screening Tool (KNEST), the Short Form 36 (SF36), demographic questions and, for those who reported knee pain, the Western Ontario and McMaster Universities Osteoarthritis Index (WOMAC). RESULTS: The survey achieved a 77% response. The 12-month period prevalence of all knee pain was 46.8% [95% confidence interval (CI) 45.6%, 48.0%]. Figures for non-chronic knee pain (pain of less than 3 months duration) and chronic knee pain (pain of more than 3 months duration) were 21.5% (95% CI 20.5%, 22.5%) and 25.3% (95% CI 24.3%, 26.4%) respectively. An estimated 6% of the older population had non-chronic but severe knee pain or disability. Thirty-three per cent of all knee pain sufferers had consulted their general practitioner (GP) about their symptom in the last year. This included 34% of those with non-chronic but severe knee pain or disability and 56% of those with chronic and severe knee pain or disability. The use of private treatments or services for knee pain was minimal. A third of those with chronic and severe knee pain or disability had not used any services (including GP) in the last year. CONCLUSIONS: The KNEST is a simple tool for the identification of individuals with knee pain and their health-care use. Focusing only on chronic knee pain will underestimate the total need and demand for health-care in knee pain sufferers in the general older population, as non-chronic as well as chronic knee pain has a significant impact on people's lives and on their use of primary health-care. The KNEST, when combined with the WOMAC, identifies population groups who have potentially diverse health-care needs and who might benefit from effective health-care. These data can be used alongside evidence on effective treatments by service planners when considering needs for the care of older adults in primary care.
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) | 0,000 | 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 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 ».