The Relationship of Pain Reduction With Prevention of Knee Replacement Under Dynamic Intervention Strategies
Notice bibliographique
Résumé
OBJECTIVE: Knee replacement (KR) rates are increasing exponentially in the US and straining insurance budgets. This study was undertaken to investigate how many KRs would be prevented at different levels of pain improvement, a major target of osteoarthritis (OA) trials. METHODS: We used data from the Osteoarthritis Initiative (OAI) to emulate a trial of knee pain interventions on KR risk changes. We modeled hypothetical 1-, 2- or 3-unit reductions of the Western Ontario and McMaster Universities Osteoarthritis Index (WOMAC) pain subscale whenever a person reported a pain score of ≥5 (of 20) in an affected knee at any clinic visit. We used causal inference-based targeted learning to estimate treatment effects for hypothesized pain intervention strategies adjusted for time-dependent confounding. Sensitivity analyses assessed interventions at WOMAC pain scores of ≥4 and ≥7. RESULTS: Of the 9,592 knees studied (n = 4,796 participants; 58.5% female; baseline age 61.2 years), 40.7% experienced WOMAC pain scores of ≥5. The estimated knee-level (reference) risk of a KR, adjusted for loss to follow-up and death, was 6.3% (95% confidence interval 5.0, 7.7%) in the OAI. Reductions of WOMAC pain scores by 1, 2, or 3 units decreased the KR risk from 6.3% to 5.8%, 5.3%, and 4.9%, respectively. Larger reductions in KR risk were achieved when interventions were applied at a WOMAC pain score of ≥4. CONCLUSION: Modest pain reductions from OA interventions would substantially reduce the number of KRs, with greater reductions achieved when pain decreased more and when interventions were introduced at lower pain levels.
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 | 0,000 |
| 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 ».