Pain coping strategies and related factors including demographics, pain characteristics, functional mobility in postmenopausal women with chronic musculoskeletal pain
Notice bibliographique
Résumé
This cross-sectional study investigated pain coping strategies and their relationship to demographic and clinical characteristics in postmenopausal women (PMWs) with chronic musculoskeletal pain (CMSP). PmW (n = 60) who presented to receive physiotherapy from a rehabilitation center participated. McGill Pain Questionnaire (MPQ) was used to assess pain intensity and characteristics, Pain Coping Inventory (PCI) was used to assess strategies of coping with pain, and Timed Up and Go-Test (TUG) was used to assess functional mobility. Data were analyzed using descriptive analyses, paired-samples t-test, independent-samples t-test, Mann Whitney U-test, one-way ANOVA, and Pearson’s correlation analysis. There was no significant difference in terms of marital status, educational status, and exercise habits between the participants’ statuses of using active and passive strategies of coping with pain. Younger women (50–59 years of age) preferred active strategies more than passive strategies to cope with pain (p = .047). There were significant differences among the age groups in terms of “pain transformation” subdomain of active strategies (p = .007) and “sensory” subdomain of MPQ (p = .053). Strategies of coping with pain and functional mobility of participants were not significantly related (p > .05). Results indicated that age is a significant factor in coping with pain and pain characteristics. Healthcare providers should consider PmW’s preferences and experiences with pain management when recommending pain management strategies.
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 | 0,017 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».