Notice bibliographique
Résumé
BACKGROUND: Several studies have described pain prevalence, risk factors, pain and medical variables in spinal cord injury (SCI) populations. In this study on traumatic SCI in Turkey, we surveyed the neuropathic pain experiences during in-patient rehabilitation and defined the relationships between neuropathic pain and demographic and SCI characteristics of patients. OBJECTIVES: To survey the neuropathic pain experiences during in-patient rehabilitation in traumatic SCI and to define the relationships between neuropathic pain and demographic and SCI-related characteristics of patients. STUDY DESIGN: Descriptive study. SETTING: Physicial Medicine and Rehabilitation inpatient clinic, Ankara, Turkey METHODS: Sixty-nine SCI patients as inpatients were included in this descriptive study. All patients demographic and SCI-related characteristics were enrolled. The diagnosis of neuropathic pain was made with the Leeds Assessment of Neuropathic Symptoms and Signs (LANSS) Pain Scale. Location of pain and pain description, relation to time and severity according to McGill Pain Questionnaire (MPQ) were enrolled. RESULTS: The neuropathic pain localization was below the lesion level in 67 (97.1%) and at the lesion level in 2 (2.9%) patients. The pain was at the hip and leg regions in 36 (52.2%) patients. The neuropathic pain was defined as burning in 27 (39.1%), aching in 26 (37.7%), sharp in 4 (5.8%), stinging in 3 (4.3%), and cramping in 3 (4.3%). We did not find a significant difference between demographic and SCI-related characteristics and the localization of neuropathic pain for the patients (P > 0.05). There was no significant difference according to pain description by MPQ and pain localization (P > 0.05). We found a significant relationship between the patient's lesion level and the region of pain (P < 0.05). CONCLUSION: We found the neuropathic pain due to SCI to be mostly below the lesion level with a burning or aching character and we did not find a significant relationship between the demographic and SCI-related characteristics of the patient and the pain characteristics.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,003 | 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 ».