Features and methods to discriminate between mechanism-based categories of pain experienced in the musculoskeletal system: a Delphi expert consensus study
Notice bibliographique
Résumé
ABSTRACT: Classification of musculoskeletal pain based on underlying pain mechanisms (nociceptive, neuropathic, and nociplastic pain) is challenging. In the absence of a gold standard, verification of features that could aid in discrimination between these mechanisms in clinical practice and research depends on expert consensus. This Delphi expert consensus study aimed to: (1) identify features and assessment findings that are unique to a pain mechanism category or shared between no more than 2 categories and (2) develop a ranked list of candidate features that could potentially discriminate between pain mechanisms. A group of international experts were recruited based on their expertise in the field of pain. The Delphi process involved 2 rounds: round 1 assessed expert opinion on features that are unique to a pain mechanism category or shared between 2 (based on a 40% agreement threshold); and round 2 reviewed features that failed to reach consensus, evaluated additional features, and considered wording changes. Forty-nine international experts representing a wide range of disciplines participated. Consensus was reached for 196 of 292 features presented to the panel (clinical examination-134 features, quantitative sensory testing-34, imaging and diagnostic testing-14, and pain-type questionnaires-14). From the 196 features, consensus was reached for 76 features as unique to nociceptive (17), neuropathic (37), or nociplastic (22) pain mechanisms and 120 features as shared between pairs of pain mechanism categories (78 for neuropathic and nociplastic pain). This consensus study generated a list of potential candidate features that are likely to aid in discrimination between types of musculoskeletal 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 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 | 0,022 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».