FACTORS INFLUENCING THE SEVERITY OF PAIN IN PATIENTS WITH PERIPHERAL DIABETIC NEUROPATHY
Notice bibliographique
Résumé
Objective: The principal aim of this study was to identify factors influencing the severity of peripheral diabetic neuropathy pain (PDNP), a symptom of the common neurological complication of diabetes mellitus, and peripheral diabetic neuropathy.Methods: A cross-sectional study was performed using two self-administered questionnaires among subjects recruited from outpatient clinics at Hospital Tengku Ampuan Afzan, Kuantan, Malaysia. The Neuropathic Pain-4 tool was used to evaluate the presence of PDNP, and the Short-Form McGill Pain Questionnaire (MPQ) was used to characterize and determine the severity of PDNP. Sociodemographic and clinical data were collected from the patients.Results: The MPQ indicated that most patients reported experiencing mild pain for all sensory pain descriptors other than throbbing and aching (mostly reported to be moderate) and hot-burning (mostly reported to be no pain). The severity of pain was found to be significantly related to the length of time for which the patients had suffered from diabetes in those patients who had been diagnosed over 10 years previously (p=0.04). Indian patients reported a higher severity of pain overall (p=0.04). No significant relationship was found between pain severity and any of the following factors: Type of diabetes (I or II), gender, smoking status, alcohol consumption, obesity, medication taken, or presence of other diseases.Conclusion: In this study, most patients with PDNP reported the severity of the pain to be “mild.” The pain severity may be influenced by a patient’s ethnicity and the length of time for which they have suffered from diabetes.
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 | 0,005 | 0,003 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».