Does gender affect self-perceived pain in cancer patients? —A meta-analysis
Notice bibliographique
Résumé
BACKGROUND: Pain is reported in approximately 50-70% of cancer patients. Studies on gender differences in perceived pain generally report lower pain thresholds and increased pain prevalence in women, which may be attributed to gender-specific behaviors, stereotypes, and unknown etiological factors. There are sparse and inconclusive results on gender differences in self-perceived pain in the cancer setting. The aim of this article was to examine the effect of gender on baseline perceived pain intensity in cancer patients through a meta-analysis. METHODS: A literature search was conducted using Ovid MEDLINE, Embase, and the Cochrane Central Register of Controlled Trials [1947-2016] to identify observational studies and controlled trials that reported on gender-specific pain intensity in cancer patients. Using random-effects modeling, weighted mean differences and 95% confidence intervals (CI) were used to estimate the effect of gender on pain severity in cancer patients. A P value of less than 0.05 was considered statistically significant. RESULTS: Of the 1,911 search results reviewed, 13 studies were included. The weighted mean difference (95% CI) in pain intensity was as follows: -0.26 (95% CI: -0.57 to 0.04, P=0.09) for the 0-10 Numerical Rating Scale (NRS) group (n=3,752, 9 studies). When restricted to only patients with advanced cancer, the weighted mean difference was -0.08 (95% CI: -0.36 to 0.20, P=0.58) (n=2,762, 4 studies). The weighted mean difference in the Brief Pain Inventory scores between males and females was 0.03 (95% CI: -1.23 to 1.29, P=0.96) (n=521, 4 studies). CONCLUSIONS: Baseline perceived pain intensity in cancer patients did not significantly differ based on gender.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,010 | 0,003 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».