Complex regional pain syndrome: evidence for warm and cold subtypes in a large prospective clinical sample
Notice bibliographique
Résumé
Limited research suggests that there may be Warm complex regional pain syndrome (CRPS) and Cold CRPS subtypes, with inflammatory mechanisms contributing most strongly to the former. This study for the first time used an unbiased statistical pattern recognition technique to evaluate whether distinct Warm vs Cold CRPS subtypes can be discerned in the clinical population. An international, multisite study was conducted using standardized procedures to evaluate signs and symptoms in 152 patients with clinical CRPS at baseline, with 3-month follow-up evaluations in 112 of these patients. Two-step cluster analysis using automated cluster selection identified a 2-cluster solution as optimal. Results revealed a Warm CRPS patient cluster characterized by a warm, red, edematous, and sweaty extremity and a Cold CRPS patient cluster characterized by a cold, blue, and less edematous extremity. Median pain duration was significantly (P < 0.001) shorter in the Warm CRPS (4.7 months) than in the Cold CRPS subtype (20 months), with pain intensity comparable. A derived total inflammatory score was significantly (P < 0.001) elevated in the Warm CRPS group (compared with Cold CRPS) at baseline but diminished significantly (P < 0.001) over the follow-up period, whereas this score did not diminish in the Cold CRPS group (time × subtype interaction: P < 0.001). Results support the existence of a Warm CRPS subtype common in patients with acute (<6 months) CRPS and a relatively distinct Cold CRPS subtype most common in chronic CRPS. The pattern of clinical features suggests that inflammatory mechanisms contribute most prominently to the Warm CRPS subtype but that these mechanisms diminish substantially during the first year postinjury.
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 | 0,005 |
| 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 ».