The Geography of Chronic Pain in the United States and Canada
Notice bibliographique
Résumé
Abstract Our understanding of population pain epidemiology is largely based on national-level analyses. This focus, however, neglects potential cross-national, and especially sub-national, geographic variations in pain, even though geographic comparisons could shed new light on factors that drive or protect against pain. This article presents the first comparative analysis of pain in the U.S. and Canada, comparing the countries in aggregate and analyzing variation across states and provinces. Analyses are based on cross-sectional data collected in 2020 from 2,124 U.S. and 2,110 Canadian adults 18 years and older. Our pain measure is a product of pain frequency and pain-related interference with daily activities. We use regression and decomposition methods to link socioeconomic characteristics and pain, and inverse-distance weighting spatial interpolation to map pain scores. We find significantly and substantially higher pain in the U.S. than in Canada. The difference is accounted for by Americans’ lower economic wellbeing. Additionally, we find variation in pain within countries; the variation is statistically significant across U.S. states. Further, we identify nine hotspot states in the Deep South, Appalachia, and the West where respondents have significantly higher pain than those in the rest of the U.S. or Canada. This excess pain is partly attributable to economic distress, but a large part remains unexplained; we speculate that it may reflect the sociopolitical context of the hotspot states. Overall, our findings identify areas with high need for pain prevention and management; they also other scholars to consider geographic factors as important contributors to population 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 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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,011 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,003 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».