Predicting pain outcomes after traumatic musculoskeletal injury
Notice bibliographique
Résumé
Traumatic musculoskeletal injury results in a high incidence of chronic pain; however, there is little evidence about the nature, quality, and severity of the pain. This study uses a prospective, observational, longitudinal design to (1) examine neuropathic pain symptoms, pain severity, pain interference, and pain management at hospital admission and 4 months after traumatic musculoskeletal injury (n = 205), and (2) to identify predictors of group membership for patients with differing moderate-to-severe putative neuropathic pain trajectories. Data were collected on mechanism of injury, injury severity, pain (intensity, interference, neuropathic quality), anxiety (anxiety sensitivity, general anxiety, pain catastrophizing, pain anxiety), depression, and posttraumatic stress while patients were in-hospital and 4 months after injury. A third of patients had chronic moderate-to-severe neuropathic pain 4 months after injury. Specifically, 11% of patients developed moderate-to-severe pain by 4 months and 21% had symptoms immediately after injury that persisted over time. Significant predictors of the development and maintenance of moderate-to-severe neuropathic pain included high levels of general anxiety while in-hospital immediately after injury (P < 0.001) and symptoms of posttraumatic stress 4 months after injury (P < 0.001). Few patients had adequate pharmacological, physical, or psychological pain management in-hospital and at 4 months. Future research is needed among trauma patients to better understand the development of chronic pain and to determine the best treatment approaches.
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 | 0,007 | 0,007 |
| 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) | 0,001 | 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 ».