The Parkinson disease pain classification system: results from an international mechanism-based classification approach
Notice bibliographique
Résumé
ABSTRACT: Pain is a common nonmotor symptom in patients with Parkinson disease (PD) but the correct diagnosis of the respective cause remains difficult because suitable tools are lacking, so far. We developed a framework to differentiate PD- from non-PD-related pain and classify PD-related pain into 3 groups based on validated mechanistic pain descriptors (nociceptive, neuropathic, or nociplastic), which encompass all the previously described PD pain types. Severity of PD-related pain syndromes was scored by ratings of intensity, frequency, and interference with daily living activities. The PD-Pain Classification System (PD-PCS) was compared with classic pain measures (ie, brief pain inventory and McGill pain questionnaire [MPQ], PDQ-8 quality of life score, MDS-UPDRS scores, and nonmotor symptoms). 159 nondemented PD patients (disease duration 10.2 ± 7.6 years) and 37 healthy controls were recruited in 4 centers. PD-related pain was present in 122 patients (77%), with 24 (15%) suffering one or more syndromes at the same time. PD-related nociceptive, neuropathic, or nociplastic pain was diagnosed in 87 (55%), 25 (16%), or 35 (22%), respectively. Pain unrelated to PD was present in 35 (22%) patients. Overall, PD-PCS severity score significantly correlated with pain's Brief Pain Inventory and MPQ ratings, presence of dyskinesia and motor fluctuations, PDQ-8 scores, depression, and anxiety measures. Moderate intrarater and interrater reliability was observed. The PD-PCS is a valid and reliable tool for differentiating PD-related pain from PD-unrelated pain. It detects and scores mechanistic pain subtypes in a pragmatic and treatment-oriented approach, unifying previous classifications of PD-pain.
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 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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».