The Central Aspects of Pain in the Knee (CAP-Knee) questionnaire; a mixed-methods study of a self-report instrument for assessing central mechanisms in people with knee pain
Notice bibliographique
Résumé
OBJECTIVES: Pain is the prevailing symptom of knee osteoarthritis. Central sensitisation creates discordance between pain and joint pathology. We previously reported a Central Pain Mechanisms trait derived from eight discrete characteristics: Neuropathic-like pain, Fatigue, Cognitive-impact, Catastrophising, Anxiety, Sleep disturbance, Depression, and Pain distribution. We here validate and show that an 8-item questionnaire, Central Aspects of Pain in the Knee (CAP-Knee) is associated both with sensory- and affective- components of knee pain severity. METHODS: Participants with knee pain were recruited from the Investigating Musculoskeletal Health and Wellbeing study in the East Midlands, UK. CAP-Knee items were refined following cognitive interviews. Psychometric properties were assessed in 250 participants using Rasch-, and factor-analysis, and Cronbach's alpha. Intra-class correlation coefficients tested repeatability. Associations between CAP-Knee and McGill Pain questionnaire pain severity scores were assessed using linear regression. RESULTS: = 0.91). Each CAP-Knee item contributed uniquely to one discrete 'Central Mechanisms trait' factor. High CAP-Knee scores associated with worse overall knee pain intensity, and with each of sensory- and affective- McGill Pain Questionnaire scores. CONCLUSION: CAP-Knee is a simple and valid self-report questionnaire, which measures a single 'Central Mechanisms' trait, and may help identify and target centrally-acting treatments aiming to reduce the burden of knee 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».