Management of Chronic Musculoskeletal Pain Through a Biopsychosocial Lens
Notice bibliographique
Résumé
Chronic musculoskeletal pain continues to constitute a rising cost and burden on individuals and society on a global level, thus driving the demand for improved management strategies. The biopsychosocial model has long been a recommended approach to help manage chronic pain, with its consideration of the person and his or her experiences, psychosocial context, and societal considerations. However, the biomedical model continues to be the basis of athletic therapy and athletic training programs and therefore clinical practice. For more than 30 years, psychosocial factors have been identified in the literature as outcome predictors relating to chronic pain, including (but not limited to) catastrophizing, fear avoidance, and self-efficacy. Physical assessment strategies such as validated outcome measures can be used by the athletic therapist and athletic trainer to determine the presence or severity (or both) of nonbiogenic pain. Knowledge of these predictors and strategies allows the athletic therapist and athletic trainer to frame the use of exercise (eg, graded exposure), manual therapy, and therapeutic modalities in the appropriate way to improve clinical outcomes. Through changes in educational curricula content, such as those recommended by the International Association for the Study of Pain, athletic therapists and athletic trainers can develop profession-specific knowledge and skills that will enhance their clinical practice and enable them to better assist those living with chronic musculoskeletal pain conditions.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 ».