Treatment of Low Back Pain with a Digital Multidisciplinary Pain Treatment App: Short-Term Results
Notice bibliographique
Résumé
BACKGROUND: Even though modern concepts of disease management of unspecific low back pain (LBP) postulate active participation of patients, this strategy is difficult to adapt unless multidisciplinary pain therapy is applied. Recently, mobile health solutions have proven to be effective aides to foster self-management of many diseases. OBJECTIVE: The objective of this paper was to report on the retrospective short-term results of a digital multidisciplinary pain app for the treatment of LBP. METHODS: Kaia is a mobile app that digitalizes multidisciplinary pain treatment and is in the market as a medical product class I. For the current study, the data of anonymized Kaia users was retrospectively analyzed. User data were evaluated for 12 weeks regarding duration of use and effect on in-app user reported pain levels, using the numerical rating scale (NRS), depending on whether LBP was classified as acute, subacute, or chronic back pain according to current guidelines. RESULTS: Data of 180 users were available. The mean age of the users was 33.9 years (SD 10.9). Pain levels decreased from baseline NRS 4.8 to 3.75 for all users at the end of the observation period. Users who completed 4, 8, or 12 weeks showed an even more pronounced decrease in pain level NRS (baseline 4.9 [SD 1.7] versus 3.6 [SD 1.5] at 4 weeks; baseline 4.7 [SD 1.8] versus 3.2 [SD [2.0] at 8 weeks; baseline 4.6 [SD 2.2] versus 2.6 [SD 2.0] at 12 weeks). In addition, subgroup analysis of acute, subacute, or chronic classification revealed no significant main effect of group (P>.30) on the reduction of pain. Conclusions: This retrospective study showed that in a pre-selected population of app users, an app digitalizing multidisciplinary rehabilitation for the self-management of LBP reduced user-reported pain levels significantly. The observed effect size was clinically relevant. Ongoing prospective randomized controlled trials (RCTs) will adjust for potential bias and selection effects. CONCLUSIONS: This retrospective study showed that in a pre-selected population of app users, an app digitalizing multidisciplinary rehabilitation for the self-management of LBP reduced user-reported pain levels significantly. The observed effect size was clinically relevant. Ongoing prospective RCTs will adjust for potential bias and selection effects.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».