Cross-Sectional Contrast Between Individuals With Foot/Ankle vs Knee Osteoarthritis for Obesity and Low Education on Health-Related Quality of Life
Notice bibliographique
Résumé
BACKGROUND: Improving health-related quality of life (HRQoL) necessitates an understanding of the influence of patient characteristics on, and interrelationship among, HRQoL domains. In osteoarthritis (OA), these associations have predominantly been examined in hip/knee populations. We investigated whether there were differences in these associations between foot/ankle and knee OA samples. METHODS: Individuals seeking orthopedic care for foot/ankle or knee OA completed a questionnaire pre-consultation, including HRQoL domains (bodily pain [BP], physical [PF] and social functioning [SF], and mental [MH] and general health [GH]), obesity, comorbidity, and sociodemographic characteristics. Associations were examined via stratified path analysis (foot/ankle vs knee). Foot/ankle: n = 180, mean age = 55 (range: 25 to 82), 52% female. Knee: n = 253, mean age = 62 (range: 26 to 92), 51% female. RESULTS: The interrelationship among HRQoL domains was generally similar between groups. However, the influence of patient characteristics differed. Low educational status was associated with worse scores for GH, MH, and SF in the foot/ankle group, whereas no significant effects were found in the knee group. Obesity was associated with worse scores for SF, BP, and GH in the foot/ankle compared to the knee group. Patient characteristics explained considerably more of the variation in domain scores in the foot/ankle group. CONCLUSION: There are significant differences in the impact of patient characteristics on HRQoL domains in foot/ankle versus knee OA patients. Therefore, a universal approach to patient education/intervention to improve HRQoL in lower-extremity OA is not likely to achieve optimal results. Based on these findings, we recommend joint-specific patient education, with a particular emphasis on patient characteristics among the foot/ankle OA population. LEVEL OF EVIDENCE: Level III, retrospective comparative study.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».