Posterior to anterior spinal stiffness measured in a sample of 127 secondary care low back pain patients
Notice bibliographique
Résumé
BACKGROUND: The sensation of spinal stiffness is a commonly reported symptom among back pain patients, with the clinical assessment of spinal stiffness usually being part of the decision-making process when deciding on providing manual treatment of low back pain. While any relationship between spinal stiffness and low back pain is likely to be multifactorial, prior exploration of this relationship has been overly simplistic (e.g., univariate regression analyses). The purpose of this study was to address this gap by taking a broader approach to compare instrumented measures of spinal stiffness to demographic characteristics, pain phenotypes, psychometrics, and spine-related disability in a sample of secondary care low back pain patients using multivariate regression analysis. METHODS: Instrumented spinal stiffness measures from 127 patients in secondary care were used to calculate terminal and global spinal stiffness scores. A best subset analysis was used to find the subsets of 14 independent variables that most accurately predicted stiffness based on the evaluation of the adjusted R-square, Akaike Information Criteria, and the Bayesian Information Criteria. FINDINGS: In the resulting multivariate models, sex (p < 0.001) and age (p < 0.001) were the primary determinants of terminal stiffness, while global stiffness was primarily determined by age (p = 0.003) and disability (p = 0.024). INTERPRETATION: Instrumented measures of spinal stiffness are multifactorial in nature, and future research into this area should make use of multivariate analyses.
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 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».