An Innovative Electronic Health Toolkit (Our Whole Lives for Chronic Pain) to Reduce Chronic Pain in Patients With Health Disparities: Open Clinical Trial
Notice bibliographique
Résumé
BACKGROUND: Chronic pain affects millions of Americans. Our Whole Lives, an electronic health (eHealth) toolkit for Chronic Pain (Our Whole Lives for Chronic Pain [OWLCP]), is a mind-body chronic pain management platform that teaches self-management strategies to reduce pain impact and pain medication use. OBJECTIVE: The primary goal of this study was to evaluate the feasibility of OWLCP in reducing pain impact and pain-related outcomes. METHODS: We conducted a pre-post clinical study (2 cohorts) to assess the feasibility of OWLCP usage among low-income patients with chronic pain. Outcome data, collected at baseline and 9 weeks, included Patient-Reported Outcomes Measurement Information System (PROMIS-29), pain self-efficacy, and pain medication use. In the statistical analysis, we used descriptive statistics, logistic regression, linear regression, and qualitative methods. RESULTS: Among the enrolled 43 participants, the average age was 50 years, (39/43) 91% were female, (16/43) 37% were black, and (7/43) 16% were Hispanic. From baseline to follow-up, the PROMIS measures showed a reduction in depression (P=.02), pain interference (P=.003), and average pain impact score (P=.007). Pain self-efficacy increased ((P<.001), whereas opioid use had a 13% reduction (P=.03). CONCLUSIONS: The eHealth chronic pain management platform, OWLCP, is a potential tool to reduce the impact of chronic pain for low-income racially diverse populations.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,028 | 0,002 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».