Longitudinal Analysis Supports a Fear-Avoidance Model That Incorporates Pain Resilience Alongside Pain Catastrophizing
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
BACKGROUND: The fear-avoidance model of chronic pain holds that individuals who catastrophize in response to injury are at risk for pain-related fear and avoidance behavior, and ultimately prolonged pain and disability. PURPOSE: Based on the hypothesis that the predictive power of the fear-avoidance model would be enhanced by consideration of positive psychological constructs, the present study examined inclusion of pain resilience and self-efficacy in the model. METHODS: Men and women (N = 343) who experienced a recent episode of back pain were recruited in a longitudinal online survey study. Over a 3-month interval, participants repeated the Pain Resilience Scale, Pain Catastrophizing Scale, Tampa Scale of Kinesiophobia, Pain Self-Efficacy Questionnaire, the McGill Pain Questionnaire, and NIH-recommended measures of pain, depressive symptoms, and physical dysfunction. Structural equation modeling assessed the combined contribution of pain resilience and pain catastrophizing to 3-month outcomes through the simultaneous combination of kinesiophobia and self-efficacy. RESULTS: An expanded fear-avoidance model that incorporated pain resilience and self-efficacy provided a good fit to the data, Χ2 (df = 14, N = 343) = 42.09, p = .0001, RMSEA = 0.076 (90% CI: 0.05, 0.10), CFI = 0.97, SRMR = 0.03, with higher levels of pain resilience associated with improved 3-month outcomes on measures of pain intensity, physical dysfunction, and depression symptoms. CONCLUSIONS: This study supports the notion that the predictive power of the fear-avoidance model of pain is enhanced when individual differences in both pain-related vulnerability (e.g., catastrophizing) and pain-related protective resources (e.g., resilience) are considered.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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