Negative effect of anger on chronic pain intensity is modified by multiple mood states other than anger: A large population-based cross-sectional study in Japan
Notice bibliographique
Résumé
OBJECTIVES: To investigate whether mood states other than anger can modify the association between anger and pain intensity in individuals with chronic pain. METHODS: We analysed 22,059 participants with chronic pain, including 214 participants with rheumatoid arthritis (RA), who completed a questionnaire. The Profile of Mood States short form (POMS-SF) was used to assess six dimensions of mood states (anger-hostility, tension-anxiety, depression-dejection, confusion, fatigue, and vigour). A numerical rating scale (NRS) assessed pain intensity. We examined the association between anger-hostility and the NRS and the relationship between POMS-SF components. Moderation analyses were used to investigate whether the five mood states other than anger-hostility modified the effect of anger-hostility on the NRS. RESULTS: Anger-hostility contributed to pain intensity. Although increased mood states other than vigour were associated with increased pain intensity, these increased mood states appeared to suppress the effect of anger-hostility on pain intensity. Increased vigour was associated with decreased pain intensity and increased the effect of anger-hostility on pain intensity. CONCLUSIONS: Mood states other than anger may influence the association between anger and pain intensity in individuals with chronic pain. It is important to focus on complicated mood states and anger in individuals with chronic pain, including RA.
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 | 0,001 |
| 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 ».