Neuropathic pain phenotyping by international consensus (NeuroPPIC) for genetic studies
Notice bibliographique
Résumé
For genetic research to contribute more fully to furthering our knowledge of neuropathic pain, we require an agreed, valid, and feasible approach to phenotyping, to allow collaboration and replication in samples of sufficient size. Results from genetic studies on neuropathic pain have been inconsistent and have met with replication difficulties, in part because of differences in phenotypes used for case ascertainment. Because there is no consensus on the nature of these phenotypes, nor on the methods of collecting them, this study aimed to provide guidelines on collecting and reporting phenotypes in cases and controls for genetic studies. Consensus was achieved through a staged approach: (1) systematic literature review to identify all neuropathic pain phenotypes used in previous genetic studies; (2) Delphi survey to identify the most useful neuropathic pain phenotypes and their validity and feasibility; and (3) meeting of experts to reach consensus on the optimal phenotype(s) to be collected from patients with neuropathic pain for genetic studies. A basic "entry level" set of phenotypes was identified for any genetic study of neuropathic pain. This set identifies cases of "possible" neuropathic pain, and controls, and includes: (1) a validated symptom-based questionnaire to determine whether any pain is likely to be neuropathic; (2) body chart or checklist to identify whether the area of pain distribution is neuroanatomically logical; and (3) details of pain history (intensity, duration, any formal diagnosis). This NeuroPPIC "entry level" set of phenotypes can be expanded by more extensive and specific measures, as determined by scientific requirements and resource availability.
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 | 0,008 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».