Calibrated prevalence of disabling chronic pain according to different approaches: a face-to-face cross-sectional population-based study in Southern Spain
Notice bibliographique
Résumé
ABSTRACT Objectives: To calculate the prevalence of disabling chronic pain (DCP) and to offer a more representative and accurate estimation by applying different calibration techniques. Settings: 2011 Andalusian Health Survey, a crosssectional population survey based on face-to-face home interviews. Participants: 6507 people aged 16 years or older and living in Andalusia, Spain. Outcomes: Design weights, linear calibration based on marginals and on crossings, and model-assisted calibration were used to estimate the prevalence and variance of DCP, for the whole sample and for the domains of sex and age groups (16–44; 45–64; +65). Results: Calibration variables were sex, age groups and educational level. In the whole sample, DCP prevalence calibration reduced by more than 5.2% and 8.2% the estimated prevalences and variances, respectively, obtained with the design weights. Regarding the domains, prevalence reductions are from 33% to 1%, and variance reductions are from 0.2% to 1%. Model-assisted calibration is the best technique to estimate DCP prevalence for the whole population and crossing calibration for their domains, although with almost no differences compared to marginal calibration. Conclusions: The validity and accuracy of estimations of DCP prevalence are improved by calibration adjustments. Model-assisted calibrated prevalence of DCP is 10.78% for the whole population, being at least 2-fold higher in women in all age groups. The results and methodology developed could be useful in clinical and population-based studies on chronic pain and disability.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».