Quantitative sensory testing in type 1 diabetic patients with painful and painless diabetic neuropathy
Notice bibliographique
Résumé
The mechanism underlying the development of painful diabetic neuropathy (DN) is unknown. The aim of this study was to compare quantitative sensory testing (QST) characteristics of patients with painful and painless DN and to correlate QST measures with DN pain. Fifty type 1 diabetic patients with DN (30 with painful DN and 20 with painless DN) and 32 age-matched non-diabetic controls were included in this study. For all patients and controls, a detailed assessment of DN was performed which comprised McGill visual analogue scale (McGill VAS) for pain, neuropathy symptom profile and neuropathy disability score (NDS), quantitative sensory testing in form of cold, warm and vibration perception thresholds, nerve conduction studies (NCS), deep-breathing hear rate variability and Neuropad staining scores. Measures of QST, NCS and DB-HRV were correlated with McGill VAS for pain. There were no significant differences in cold, warm and vibration perception thresholds, NCS, DB-HRV and Neuropad scores between patients with painful and painless DN. Cold (r=-0.57, P=0.005), warm (r=0.47, P=0.026) and DB-HRV (r=0.50, P=0.023), however, correlated significantly with McGill VAS scores of pain. In conclusion, Quantitative sensory testing is a helpful tool to identify small nerve fibres damage of DN, correlates with pain intensity but cannot differentiate between painful and painless DN. Both central and peripheral neural injury could be implicated in the genesis of DN pain. [Dis Mol Med 2016; 4(3.000): 24-30]
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 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 ».