Facial Expression Overrides Lumbopelvic Kinematics for Clinical Judgements about Low Back Pain Intensity
Notice bibliographique
Résumé
Background. Through real-time behavioral observation systems, pain behaviors are commonly used by clinicians to estimate pain intensity in patients with low back pain. However, little is known about how clinicians rely on pain-related behaviors to make their judgment. According to the Information Integration Theory (IIT) framework, this study aimed at investigating how clinicians value and integrate information from lumbopelvic kinematics (LK), a protective pain behavior, and facial expression intensity (FEI), a communicative pain behavior, to estimate pain in patients with chronic low back pain (cLBP). Methods. Twenty-one experienced clinicians and twenty-one novice clinicians were asked to estimate back pain intensity from a virtual character performing a trunk flexion-extension task. Results. Results revealed that both populations relied on facial expression and that only half of the participants in each group integrated FEI and LK to estimate cLBP intensity. Among participants who integrated the two pain behaviors, averaging rule predominated among others. Results showed that experienced clinicians relied equally on FEI and LK to estimate pain, whereas novice clinicians mostly relied on FEI. Discussion. The use of additive rule of integration does not appear to be systematic when assessing others' pain. When assessing pain intensity, communicative and protective pain behaviors may have different relevance.
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 | 0,016 | 0,004 |
| 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 ».