Quantitative language features identify placebo responders in chronic back pain
Notice bibliographique
Résumé
ABSTRACT: Although placebo effect sizes in clinical trials of chronic pain treatments have been increasing, it remains unknown if characteristics of individuals' thoughts or previous experiences can reliably infer placebo pill responses. Research using language to investigate emotional and cognitive processes has recently gained momentum. Here, we quantified placebo responses in chronic back pain using more than 300 semantic and psycholinguistic features derived from patients' language. This speech content was collected in an exit interview as part of a clinical trial investigating placebo analgesia (62 patients, 42 treated; 20 not treated). Using a nested leave-one-out cross-validated approach, we distinguished placebo responders from nonresponders with 79% accuracy using language features alone; a subset of these features-semantic distances to identity and stigma and the number of achievement-related words-also explained 46% of the variance in placebo analgesia. Importantly, these language features were not due to generic treatment effects and were associated with patients' specific baseline psychological traits previously shown to be predictive of placebo including awareness and personality characteristics, explaining an additional 31% of the variance in placebo analgesia beyond that of personality. Initial interpretation of the features suggests that placebo responders differed in how they talked about negative emotions and the extent that they expressed awareness to various aspects of their experiences; differences were also seen in time spent talking about leisure activities. These results indicate that patients' language is sufficient to identify a placebo response and implie that specific speech features may be predictive of responders' previous treatment.
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 | 0,026 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».