Trauma, Pain, and Psychological Distress
Notice bibliographique
Résumé
Abstract. Posttraumatic stress disorder (PTSD) and chronic musculoskeletal pain (CMP) are highly prevalent ( Breslau, 2002 ) and comorbid disorders ( Otis, Keane, & Kerns, 2003 ). The shared vulnerability model explains this overlap in part through a common attentional bias toward threat ( Asmundson, Coons, Taylor, & Katz, 2002 ). The current study made use of the acoustic startle to assess cognitive bias to threat in participants (n = 106; 64% women) who reported experiencing a motor vehicle accident (MVA). Participants were divided into five groups based on their diagnoses: PTSD, CMP, both PTSD and CMP, any general (i.e., non-PTSD) anxiety disorder with no CMP, and a no-disorder Control group. Self-report measures were used to assess psychological symptoms, trauma response, and pain-related factors. Word stimuli (i.e., trauma, sensory pain, health, pleasant, neutral) were presented visually prior to onset of the acoustic startle probe to assess for diagnosis-congruent attentional biases (e.g., persons with PTSD respond differently to trauma words). Relative to the general anxiety and control group, persons with PTSD or chronic pain demonstrated delayed startle peak and greater startle intensity across all word stimuli types; the results suggest there may be psychophysiologically measurable differences associated with PTSD and pain. The startle probe paradigm remains relatively nascent for such research, but has potential utility for assessment and treatment monitoring. Comprehensive results, discussion, and implications are analyzed.
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 | 0,000 | 0,001 |
| 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 ».