Impact of pain sensitisation on the quality of life of patients with knee osteoarthritis
Notice bibliographique
Résumé
Objectives We aim to evaluate the effect on different ways of classifying pain sensitisation on impact and quality of life (QoL) in knee osteoarthritis (KOA). Methods We used baseline data from a cohort of consecutive patients with KOA listed for arthroplasty. We collected demographics and number of painful body sites. We measured pressure pain thresholds at the right forearm (PPT arm ). Pain sensitisation was classified using: (1) widespread pain, (2) lowest 10th percentile of PPT arm and (3) PainDETECT questionnaire ≥13/38. Impact and QoL were assessed using Western Ontario and McMaster Universities Osteoarthritis Index and Short Form-36. Impact and QoL scores in patients with or without pain sensitisation were compared. We evaluated the association of pain sensitisation measures with QoL scores using multivariable regression. Results 233 patients (80% female, mean age 66 years) included in the analysis; 7.3%, 11.6% and 4.7% were classified as having pain sensitisation by widespread pain, low PPT arm and PainDETECT criteria, respectively. There was minimal overlap of patients as classified as pain sensitisation phenotype by different measures. Patients with pain sensitisation had poorer QoL compared with those without. Low PPT arm identified patients with poorer general health, while widespread pain and PainDETECT identified poorer QoL in more psychological domains. There was weak correlation between number of painful body sites and PainDETECT (rho=0.23, p<0.01), but no significant correlation with PPT arm . Conclusion Patients with KOA with pain sensitisation have poorer QoL compared with those without, regardless of classification method. Different criteria defined patients with different pattern of QoL impact.
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) | 0,000 | 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 ».