MétaCan
Menu
Retour à la cohorte
Enregistrement W3004526418 · doi:10.1177/2325967119894738

The Prevalence and Clinical Implications of Comorbid Back Pain in Shoulder Instability: A Multicenter Orthopaedic Outcomes Network (MOON) Shoulder Instability Cohort Study

2020· article· en· W3004526418 sur OpenAlexaboutno aff
Kevin Cronin, Brian R. Wolf, Justin A. Magnuson, Cale A. Jacobs, Shannon F. Ortiz, Julie Y. Bishop, Matthew Bollier, Keith M. Baumgarten, Jonathan T. Bravman, Robert H. Brophy, Charles L. Cox, Brian T. Feeley, John A. Grant, Grant L. Jones, John E. Kuhn, C. Benjamin, Robert G. Marx, Eric C. McCarty, Bruce S. Miller, Adam J. Seidl, Matthew V. Smith, Rick W. Wright, Alan L. Zhang, Carolyn M. Hettrich

Notice bibliographique

RevueOrthopaedic Journal of Sports Medicine · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueShoulder Injury and Treatment
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineCohortPhysical therapyInstabilityCohort studyPhysical medicine and rehabilitationInternal medicine

Résumé

récupéré en direct d'OpenAlex

Background: Understanding predictors of pain is critical, as recent literature shows that comorbid back pain is an independent risk factor for worse functional and patient-reported outcomes (PROs) as well as increased opioid dependence after total joint arthroplasty. Purpose/Hypothesis: The purpose of this study was to evaluate whether comorbid back pain would be predictive of pain or self-reported instability symptoms at the time of stabilization surgery. We hypothesized that comorbid back pain will correlate with increased pain at the time of surgery as well as with worse scores on shoulder-related PRO measures. Study Design: Cross-sectional study; Level of evidence, 3. Methods: As part of the Multicenter Orthopaedic Outcomes Network (MOON) Shoulder Instability cohort, patients consented to participate in pre- and intraoperative data collection. Demographic characteristics, injury history, preoperative PRO scores, and radiologic and intraoperative findings were recorded for patients undergoing surgical shoulder stabilization. Patients were also asked, whether they had any back pain. Results: The study cohort consisted of 1001 patients (81% male; mean age, 24.1 years). Patients with comorbid back pain (158 patients; 15.8%) were significantly older (28.1 vs 23.4 years; P < .001) and were more likely to be female (25.3% vs 17.4%; P = .02) but did not differ in terms of either preoperative imaging or intraoperative findings. Patients with self-reported back pain had significantly worse preoperative pain and shoulder-related PRO scores (American Shoulder and Elbow Surgeons score, Western Ontario Shoulder Instability Index) ( P < .001), more frequent depression (22.2% vs 8.3%; P < .001), poorer mental health status (worse scores for the RAND 36-Item Health Survey Mental Component Score, Iowa Quick Screen, and Personality Assessment Screener) ( P < .01), and worse preoperative expectations ( P < .01). Conclusion: Despite having similar physical findings, patients with comorbid back pain had more severe preoperative pain and self-reported symptoms of instability as well as more frequent depression and lower mental health scores. The combination of disproportionate shoulder pain, comorbid back pain and mental health conditions, and inferior preoperative expectations may affect not only the patient’s preoperative state but also postoperative pain control and/or postoperative outcomes.

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)0,001
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 enseignants0,006
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
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 Opus0,044
Tête enseignante GPT0,354
Écart entre enseignants0,310 · 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

Citations5
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOrthopaedic Journal of Sports MedicineMême sujetShoulder Injury and TreatmentTravaux en français237 207