Latent profile analysis of blood marker phenotypes and their relationships with clinical pain and interference reports in people with acute musculoskeletal trauma
Notice bibliographique
Résumé
Background: The prevalence of inadequate treatments for chronic pain has necessitated the search for biological factors that influence the transition to chronicity.Methods: Antecubital blood was drawn from those who experienced acute, noncatastrophic musculoskeletal trauma. Follow-up occurred at 1, 3, 6, and 12 months with the primary outcome being Brief Pain Inventory (BPI) Functional Interference scores. Eight markers were chosen for latent profile analysis: brain-derived neurotrophic factor (BDNF); transforming growth factor-beta 1 (TGF-β1); C-reactive protein (CRP); tumor necrosis factor-alpha (TNF-α); interleukins (ILs) 1-beta, 6, and 10; and the stress hormone cortisol.Results: Mean age of the 106 participants was 44.6 years and 58.5% were female. The final model indicated a three-class solution that could be adequately described by three of the eight markers: class 1 = low concentration of all markers (33.9% of the sample), class 2 = average concentration of all markers (47.7%), and class 3 = high concentration of BDNF and TGF-β1 (18.3%). BPI Pain Interference scores captured at both inception and 6-month follow-up were compared across the three groups. Mean scores were significantly higher in class 3 for the BPI Interference subscale at inception (27.0 [SD 16.4] vs. 35.8 [SD 17.3], P = 0.05) and at 6-month follow-up (2.2 [SD 4.8] vs. 7.3 [SD 10.7], P = 0.03) compared to those of the other two classes.Conclusions: Although recovered populations are not significantly different in BDNF and TGF-β1 levels, those who experience persisting disability are more likely to have moderate to high levels in serum.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,000 | 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 ».