Subgrouping of Low Back Pain Patients for Targeting Treatments
Notice bibliographique
Résumé
INTRODUCTION: Many patients with low back pain (LBP) are treated in a similar manner as if they were a homogenous group. However, scientific evidence is available that pain is a complex perceptual experience influenced by a wide range of genetic, psychological, and activity-related factors. The leading question for clinical practice should be what works for whom. OBJECTIVES: The main aim of the present review is to discuss the current state of evidence of subgrouping based on genetic, psychosocial, and activity-related factors in order to understand their contribution to individual differences. RESULTS: Based on these perspectives, it is important to identify patients based on their specific characteristics. For genetics, very promising results are available from other chronic musculoskeletal pain conditions. However, more research is warranted in LBP. With regard to subgroups based on psychosocial factors, the results underpin the importance of matching patients' characteristics to treatment. Combining this psychosocial profile with the activity-related behavioral style may be of added value in tailoring the patient's treatment to his/her specific needs. CONCLUSIONS: For future research and treatment it might be challenging to develop theoretical frameworks combining different subgrouping classifications. On the basis of this framework, tailoring treatments more specifically to the patient needs may result in improvements in treatment programs for patients with LBP.
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 | 0,023 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| 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 | 0,001 |
| 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 ».