Pain-Related Fear—Dissociable Neural Sources of Different Fear Constructs
Notice bibliographique
Résumé
Fear of pain demonstrates significant prognostic value regarding the development of persistent musculoskeletal pain and disability. Its assessment often relies on self-report measures of pain-related fear by a variety of questionnaires. However, based either on "fear of movement/(re)injury/kinesiophobia," "fear avoidance beliefs," or "pain anxiety," pain-related fear constructs plausibly differ while it is unclear how specific the questionnaires are in assessing these different constructs. Furthermore, the relationship of pain-related fear to other anxiety measures such as state or trait anxiety remains ambiguous. Advances in neuroimaging such as machine learning on brain activity patterns recorded by functional magnetic resonance imaging might help to dissect commonalities or differences across pain-related fear constructs. We applied a pattern regression approach in 20 human patients with nonspecific chronic low back pain to reveal predictive relationships between fear-related neural pattern information and different pain-related fear questionnaires. More specifically, the applied multiple kernel learning approach allowed the generation of models to predict the questionnaire scores based on a hierarchical ranking of fear-related neural patterns induced by viewing videos of activities potentially harmful for the back. We sought to find evidence for or against overlapping pain-related fear constructs by comparing the questionnaire prediction models according to their predictive abilities and associated neural contributors. By demonstrating evidence of nonoverlapping neural predictors within fear-processing regions, the results underpin the diversity of pain-related fear constructs. This neuroscientific approach might ultimately help to further understand and dissect psychological pain-related fear constructs.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».