MétaCan
Menu
Retour à la cohorte
Enregistrement W2997028898 · doi:10.30699/jambs.27.122.9

Does Type of Pain Predict Pain Severity Changes in Individuals With Multiple Sclerosis? A Longitudinal Analysis Using Generalized Estimating Equations

2019· article· en· W2997028898 sur OpenAlexafffundabout
Shahnaz Shahrbanian, Pierre Duquete, Nancy E. Mayo

Notice bibliographique

RevueJournal of Advances in Medical and Biomedical Research · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueMultiple Sclerosis Research Studies
Établissements canadiensRoyal Victoria HospitalUniversité de MontréalHôpital Notre-DameMcGill University
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésMultiple sclerosisGeneralized estimating equationLongitudinal studyLongitudinal dataMedicinePhysical medicine and rehabilitationMathematicsPsychiatryStatisticsComputer sciencePathologyData mining

Résumé

récupéré en direct d'OpenAlex

Background & Objective: Pain is a common symptom among people with MS. In the majority of MS patients, pain is chronic in nature, but it can change over time. The objective of this study was to determine if pain type can predict pain severity changes in individuals with MS over time. Materials & Methods: The research method was a longitudinal design that evaluated pain type and severity at baseline and after 3 years of follow up among people with MS. At the beginning of the study a random sample comprising of 188 individuals with MS were recruited. From those, 78 individuals experienced pain included the study. The McGill pain questionnaire and ID-Pain questionnaire were used to assess type of pain. Numeric Rating Scale was used to measure pain severity. McNemar, Cohen's unweighted Kappa Coefficient, Paired Student t-tests and Generalized Estimating Equations were used to analyze the data.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,025
score de la tête « metaresearch » (Gemma)0,037
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
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 enseignants0,409
Score d'incertitude au seuil0,971

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0250,037
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,133
Tête enseignante GPT0,432
Écart entre enseignants0,299 · 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 tête enseignante, pas un consensus.

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

Citations1
Publié2019
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of Advances in Medical and Biomedical ResearchMême sujetMultiple Sclerosis Research StudiesTravaux en français237 207