An Exploration of Blood Marker×Environment Interaction Effects on Pain Severity and Interference Scores in People With Acute Musculoskeletal Trauma
Notice bibliographique
Résumé
OBJECTIVES: Explore the moderating effects of psychological or social variables on associations between biomarkers of inflammation/stress and clinical reports of pain. METHODS: This is a cross-sectional exploratory study. Data were drawn from the Systematic Merging of Biology, Mental Health and Environment (SYMBIOME) longitudinal study (clinicaltrials.gov ID no. NCT02711085). Eligible participants were adults who presented to an Urgent Care Centre in Ontario, Canada within 3 weeks of a noncatastrophic musculoskeletal trauma (no surgery or hospitalization). A questionnaire package was given that included the Brief Pain Inventory (capturing pain severity and pain interference) and relevant person-level variables. Blood samples were also drawn for serum analysis of 8 target biomarkers (brain-derived neurotrophic factor, transforming growth factor beta 1 [TGF-β1], c-reactive protein, tumor necrosis factor-α, interleukin [IL]-1β, IL-6, IL-10, and cortisol). RESULTS: Employment before trauma (employed for pay/not employed for pay) fully moderated the association between tumor necrosis factor-α and pain severity (∆R2=4.4%). Pre-existing psychopathology (yes/no) fully moderated the association between TGF-β1 and pain severity (∆R2=8.0%). Sex (male/female) fully moderated the association between c-reactive protein and pain severity (∆R2=6.3%). A pre-existing pain condition (yes/no) was significantly associated with worse pain interference (R2=7.2%), and partially moderated the effect of IL-1β on pain interference (∆R2=6.9%). Higher peritraumatic life stress significantly explained 8.9% of variance in pain interference alone, and partially moderated the effect of TGF-β1 on interference (∆R2=4.4%). DISCUSSION: Simple bivariate associations between blood-based markers and clinical symptoms are unlikely to reveal meaningful relationships. However, when stratified by existing person-level or "metadata" variables, an association may exist for at least 1 clinically relevant subgroup.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».