Research design considerations for chronic pain prevention clinical trials: IMMPACT recommendations
Notice bibliographique
Résumé
Although certain risk factors can identify individuals who are most likely to develop chronic pain, few interventions to prevent chronic pain have been identified. To facilitate the identification of preventive interventions, an IMMPACT meeting was convened to discuss research design considerations for clinical trials investigating the prevention of chronic pain. We present general design considerations for prevention trials in populations that are at relatively high risk for developing chronic pain. Specific design considerations included subject identification, timing and duration of treatment, outcomes, timing of assessment, and adjusting for risk factors in the analyses. We provide a detailed examination of 4 models of chronic pain prevention (ie, chronic postsurgical pain, postherpetic neuralgia, chronic low back pain, and painful chemotherapy-induced peripheral neuropathy). The issues discussed can, in many instances, be extrapolated to other chronic pain conditions. These examples were selected because they are representative models of primary and secondary prevention, reflect persistent pain resulting from multiple insults (ie, surgery, viral infection, injury, and toxic or noxious element exposure), and are chronically painful conditions that are treated with a range of interventions. Improvements in the design of chronic pain prevention trials could improve assay sensitivity and thus accelerate the identification of efficacious interventions. Such interventions would have the potential to reduce the prevalence of chronic pain in the population. Additionally, standardization of outcomes in prevention clinical trials will facilitate meta-analyses and systematic reviews and improve detection of preventive strategies emerging from clinical trials.
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 | 0,556 | 0,719 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,007 |
| Méta-épidémiologie (sens large) | 0,016 | 0,025 |
| Bibliométrie | 0,010 | 0,013 |
| Études des sciences et des technologies | 0,003 | 0,010 |
| Communication savante | 0,014 | 0,020 |
| Science ouverte | 0,016 | 0,008 |
| Intégrité de la recherche | 0,049 | 0,036 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,019 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».