PainVision apparatus is effective for assessing low back pain after fusion surgery
Notice bibliographique
Résumé
Purpose.In the current study, we aimed to evaluate the efficacy of PainVision, a tool for assessing the perception of pain in a quantitative manner, for assessing postsurgical low back pain.Methods.We assessed 42 patients with low back pain after fusion surgery.All patients underwent fusion surgery with posterior instrumented fixation.The numeric rating scale (NRS) score, McGill Pain Questionnaire (MPQ) score, and degree of pain using PainVision PS-2100 were measured twice at 4-week intervals in each patient.For PainVision measurements an electrode was patched on the forearm surface of the patients, and the degree of pain was calculated automatically.The degree of pain was evaluated using both the current producing pain comparable with low back pain and the current at perception threshold.Correlations between NRS and MPQ scores and the degree of pain were determined statistically.Results.There was a statistical correlation between the NRS and MPQ scores at each time point (r s ＞0.56, P ＝0.001) .The degree of pain evaluated by PainVision also showed statistical correlation with NRS and MPQ scores at each time point (r s ＞044, P ＜0.02) .Change in the degree of pain evaluated by PainVision over 4 weeks showed a statistical correlation with changes in NRS and in MPQ scores (r s ＞0.4,P ＜0.01) .Conclusion.PainVision is useful for assessing postsurgical low back 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 | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
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 ».