Pain Management Strategies and Health Care Use in Community-Dwelling Individuals Living with Chronic Pain
Notice bibliographique
Résumé
OBJECTIVE: To describe factors associated with high clinic and emergency room (ER) use among individuals with chronic pain. DESIGN: This study is part of a larger cross-sectional survey on the epidemiology of chronic pain in Canada. The current analysis was guided by the Andersen-Newman Service Utilization Model. METHODS: Respondents (N = 702) were grouped into high (top 10%) and low (bottom 90%) users based on the number of visits made to clinics and ERs over the past year. The two groups were compared on predisposing (e.g., pain self-efficacy and sociodemographic characteristics), enabling (e.g., income and education), and need (e.g., pain characteristics and number of comorbidities) factors as well as personal health behaviors (e.g., use of medications). Binary logistic regression analysis was used to identify characteristics associated with high use in each setting. RESULTS: High users were defined as 30 or more clinic visits or one or more ER visits. The factors associated with high clinic use in the adjusted analysis were low pain self-efficacy (odds ratio [OR] = 2.60, 95% confidence interval [CI] = 1.50-4.51), two or more comorbidities (OR = 2.13, 95% CI = 1.23-3.69), five or more pain sites (OR = 2.30, 95% CI = 1.28-4.14), and having an "other" pain diagnosis (OR = 1.78, 95% CI = 1.01-3.20). Factors that increased ER use were low pain self-efficacy (OR = 2.01, 95% CI = 1.28-3.15) and two or more comorbidities (OR = 2.31, 95% CI = 1.48-3.59), while use of alternative pain management strategies reduced ER use (OR = 0.42, 95% CI = 0.21-0.84). CONCLUSIONS: Longitudinal studies are needed to confirm if modifiable factors such as pain self-efficacy and use of alternative therapies reduce health care use.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».