First comprehensive tool for screening pain in Parkinson's disease: the King's Parkinson's Disease Pain Questionnaire
Notice bibliographique
Résumé
Background and purpose Pain is highly prevalent in Parkinson's disease ( PD ), impacting patients’ ability, mood and quality of life. Detecting the presence of pain in its multiple modalities is necessary for adequate personalized management of PD . A 14‐item, PD ‐specific, patient‐based questionnaire (the King's Parkinson's Disease Pain Questionnaire, KPPQ ) was designed corresponding to the rater‐based KPP Scale ( KPPS ). The present multicentre study was aimed at testing the validity of this screening tool. Methods First, a comparison between the KPPQ scores of patients and matched controls was performed. Next, convergent validity, reproducibility (test–retest) and diagnostic performance of the questionnaire were analysed. Results Data from 300 patients and 150 controls are reported. PD patients declared significantly more pain symptoms than controls (3.96 ± 2.56 vs. 2.17 ± 1.39; P < 0.0001). The KPPQ convergent validity was high with KPPS total score ( r S = 0.80) but weak or moderate with other pain assessments. Test–retest reliability was satisfactory with kappa values ≥0.65 except for item 5, Dyskinetic pains ( κ = 0.44), and the intraclass correlation coefficient ( ICC ) for the KPPQ total score was 0.98. After the scores of the KPPS were adapted for screening (0, no symptom; ≥1, symptom present), a good agreement was found between the KPPQ and the KPPS ( ICC = 0.88). A strong correlation ( r S = 0.80) between the two instruments was found. The diagnostic parameters of the KPPQ were very satisfactory as a whole, with a global accuracy of 78.3%–98.3%. Conclusions These results suggest that the KPPQ is a useful, reliable and valid screening instrument for pain in PD to advance patient‐related outcomes.
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 | 0,003 | 0,002 |
| 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 ».