Factors Influencing Pain Response Following Patient Education and Supervised Exercise in Male and Female Subjects With Hip Osteoarthritis
Notice bibliographique
Résumé
OBJECTIVE: To understand factors associated with pain intensity responder status following nonsurgical hip osteoarthritis (OA) intervention, according to sex. METHODS: Data were from individuals with hip OA participating in the Danish Good Life With Osteoarthritis in Denmark 8-week education and exercise program. The following factors were recorded at program entry: age; education; mental well-being; comorbidities; body mass index; symptoms in hip, knee, and low back; and program-specific factors including education sessions, former participant lectures, and supervised exercise sessions. Pain intensity was recorded at baseline and at month 3 (post-program) on a 0-100-mm visual analog scale. Response was defined as pain intensity improvement of ≥30% from baseline to post-program. Logistic regression was used and conducted separately in male and female subjects. RESULTS: The sample included 791 men and 2,253 women. Female subjects had a mean baseline pain score of 47.2 of 100 (95% confidence interval [95% CI] 46.4-48.1) and male subjects had a score of 41.7 (95% CI 40.3-43.1). By post-program, the proportion of pain responders was 50.4% among women and 45.8% among men (difference P = 0.025). Among women, program-specific factors (attending former participant lectures and more supervised exercise sessions) were positively associated with pain response, as were better mental well-being and fewer comorbidities, while symptoms in other joints/sites were associated with a decreased likelihood of response. Among men, program-specific factors were not associated with response, while better mental well-being and fewer comorbidities were associated with being a responder. CONCLUSION: Findings suggest that the influence of some factors on pain response differ for male and female subjects and point to a potential need for targeted approaches for men and women who may require different key messages/approaches from health care providers.
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 | 0,000 | 0,002 |
| 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) | 0,002 | 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 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 ».