THE EFFECT OF NEUROSTIMULATION ON ISCHEMIC PAIN AND METHODS OF ASSESSING PAIN
Notice bibliographique
Résumé
Peripheral arterial disease (PAD) impacts approximately eight million people in the United States [1]. Disease progression leads to chronic ischemic pain, hindering quality of life. Pharmaceuticals are a typical treatment for pain associated with PAD; but as few as 30% of patients have a significant reduction of pain (≥50%) [2]. Neurostimulation is commonly used as a treatment for various diseases and injuries, including Parkinson’s disease and sports-related back and knee injuries [2]. The objective of the study was to explore neurostimulation and its effect on pain and paresthesia for a model of acute peripheral ischemia in young college students. Pain is highly subjective and as a result can be difficult to measure. As a result, various pain scales and questionnaires exist and are commonly used for self-reported measurement of pain. Based on literature and prior pilot work, three instruments for measuring pain were employed to determine which would provide the best signal to noise ratio. Of all the instruments tested, the McGill Pain questionnaire best showed differences in pain in this study, with the best signal to noise ratio, and is recommended for future research and clinical assessment of ischemic pain. Neurostimulation treatment did not cause a statistically significant reduction in pain. However, different trends are seen among different patients with some patients having an apparent decrease in pain with transcutaneous electrical nerve stimulation (TENS) treatment while others have an apparent decrease in pain with interferential currents stimulation (IFC) treatment. This indicates that it would be worthwhile to further explore neurostimulation and determine what causes the differing responses. Based on the differing responses, neurostimulation should be pursued as a method of ischemic pain reduction that could be tailored to the specific patient based on what neurostimulation best helps them.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».