Are painDETECT scores in musculoskeletal disorders associated with duration of daily pain and time elapsed since current pain onset?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Objectives: We aimed to compare painDETECT scores in outpatients seen in a rheumatology department over a 1-month period and search for correlations between painDETECT scores and the estimated duration of daily pain and time elapsed since the onset of current pain. Patients and Methods: A total of 529 of 738 outpatients agreed to complete a set of questionnaires, including painDETECT. Results: The mean painDETECT score was 14.14 ± 7.59, and 31% of the patients had painDETECT scores of >18. Fibromyalgia ranked first (21.2 ± 6.0), followed by osteoarthritis of the lower limbs (17.8 ± 8.2), back pain and radiculopathies (16.1 ± 6.8), osteoarthritis of the upper limbs (15.7 ± 8.1), spondylarthrosis (15.1 ± 7.2), entrapment neuropathies (14.1 ± 2.4), rheumatoid arthritis (13.8 ± 7.1), miscellaneous conditions (13.8 ± 8.2), tendinitis (13.4 ± 7.9), connectivitis (11.5 ± 6.7), and osteoporosis (8.5 ± 6.9). The duration of daily pain was much longer in patients with painDETECT scores of >18 (12.41 ± 8.45 vs 6.53 ± 7.45 hours) ( t = 0.0000), but very similar painDETECT scores were observed for patients suffering from pain for less than 1 week (13.7 ± 8.2; 38% > 18), for 1 month (14.5 ± 8.2; 25% > 18), several months (12.7 ± 7.3; 23% > 18), 1 year (13.8 ± 7.7; 29% > 18), or several years (14.7 ± 7.4; 33% > 18). Conclusion: PainDETECT scores differed little depending on the musculoskeletal condition, strongly correlated with the duration of daily pain, and appeared to be as high in patients with recent pain as in those suffering for years.
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.
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 | 0,014 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 découle