Impact of Catastrophizing in Patients with Temporomandibular Disorders—A Systematic Review
Notice bibliographique
Résumé
AIMS: To assess the prevalence of catastrophizing in patients with temporomandibular disorders (TMD) and the possible associations between catastrophizing and treatment outcome. METHODS: This review was registered in the Prospero database (CRD42018114233). Electronic searches were performed in PubMed, Scopus, and PsycINFO from the inception of each database up to October 26, 2018, and were combined with a hand search. Articles focusing on levels of catastrophizing and how catastrophizing affects pain levels and treatment outcomes for patients diagnosed with TMD were included, as well as studies reporting how treatment outcomes were affected by cognitive behavioral treatment as an addition to standard treatment for TMD. Reviews and case reports were excluded. Risk of bias was assessed with the Newcastle-Ottawa scale. RESULTS: The literature search identified 266 articles. After screening of abstracts, the full texts of 59 articles were assessed. Of these, 37 articles, including 4,789 patients with TMD and 6,617 controls, met the inclusion criteria. Higher levels of pain catastrophizing were reported in patients with TMD, with a large effect size (Hedges' g = 0.86) compared to pain-free controls. Furthermore, associations of higher levels of catastrophizing with higher symptom severity and with poorer treatment outcome were reported together with indications of positive effects from cognitive behavioral therapy. CONCLUSION: The results suggest an association between catastrophizing and TMD that may affect not only symptom severity but also treatment outcome. Assessing levels of pain catastrophizing might therefore be valuable in the assessment and management of patients with TMD.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,002 |
| 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 ».