MétaCan
Menu
Retour à la cohorte
Enregistrement W2913254245 · doi:10.1515/sjpain-2018-0323

The impact of comorbid pain and depression in the United States: results from a nationally representative survey

2019· article· en· W2913254245 sur OpenAlexaff
Simranpal Dhanju, Sidney H. Kennedy, Susan Abbey, Joel Katz, Aliza Weinrib, Hance Clarke, Venkat Bhat, Karim S. Ladha

Notice bibliographique

RevueScandinavian Journal of Pain · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueMusculoskeletal pain and rehabilitation
Établissements canadiensSt. Michael's HospitalToronto General HospitalYork UniversityUniversity of TorontoUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésMedicineDepression (economics)CohortConfoundingPopulationLogistic regressionCohort studyNational Health and Nutrition Examination SurveyNational Health Interview SurveyPhysical therapyPsychiatryInternal medicineEnvironmental health

Résumé

récupéré en direct d'OpenAlex

Background and aims The co-morbidity between pain and depression is a target of interest for treatment. However most of the published literature on the topic has used clinical cohorts as the population of interest. The goal of this study was to use a nationally representative sample to explore how health outcomes varied across pain and depression status in a cohort sampled from the general US population. Methods This was a cross-sectional analysis of adults ≥18 years in the 2009-2010 National Health and Nutrition Examination Survey. The cohort was stratified into: no pain/depression, pain alone, depression alone, and pain with depression. The primary outcome was self-reported general health status, and secondary outcomes were healthcare visits, overnight hospital stays and functional limitation. Survey weighted logistic regression was used to adjust for potential confounders. Results The cohort consisted of 4,213 individuals, of which 186 (4.4%) reported concurrent pain and depression. 597 (14.2%) and 253 (6.0%) were classified with either pain or depression alone, respectively. The majority of individuals with co-morbid pain and depression reported poor health (65.1%, p<0.001) and were significantly more likely than those with neither condition to rate their health as poor after adjustment (OR: 7.77, 95% CI: 4.24-14.26, p<0.001). Those with pain only or depression only were also more likely to rate their health as poor, albeit to a lesser extent (OR: 2.21, 95% CI: 1.21-2.34, p<0.001; OR: 3.75, 95% CI: 2.54-5.54, p<0.001, respectively). A similar pattern was noted across all secondary outcomes. Most notably, those with co-morbid pain and depression were the most likely to endorse functional limitation (OR: 13.15, 95% CI: 8.00-21.61, p<0.001). Comparatively, a similar trend was noted amongst those with pain only or depression only, though with a reduced effect size (OR: 4.23, 95% CI: 3.12-4.77, p<0.001; OR: 5.13, 95% CI: 3.38-7.82, p<0.001). Conclusions Co-morbid pain and depression in the general population resulted in markedly worse outcomes versus isolated pain or depression. Further, the effect appears to be synergistic. Given the substantial burdens of pain and depression, future treatments should aim to address both conditions simultaneously. Implications As a result of the co-morbidity between pain and depression, patients presenting with either condition should increase the index of suspicion among clinicians and prompt screening for the reciprocal condition. Early intervention for co-morbid pain and depression has the potential to mitigate future incidence of chronic pain and major depression.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,030
Score d'incertitude au seuil0,060

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,330
Écart entre enseignants0,311 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations41
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScandinavian Journal of PainMême sujetMusculoskeletal pain and rehabilitationTravaux en français237 207