The Geography of Pain in the United States and Canada
Notice bibliographique
Résumé
Pain epidemiologists have, thus far, devoted scant attention to geospatial analyses of pain. Both cross-national and, especially, subnational variation in pain have been understudied, even though geographic comparisons could shed light on social factors that increase or mitigate pain. This study presents the first comparative analysis of pain in the U.S. and Canada, comparing the countries in aggregate, while also analyzing variation across states and provinces. Analyses are based on cross-sectional data collected in 2020 from U.S. and Canadian adults 18 years and older (N = 4,113). The focal pain measure is a product of pain frequency and pain interference. We use decomposition and regression analyses to link socioeconomic characteristics and pain, and inverse-distance weighting spatial interpolation to map pain levels. We find significantly and substantially higher pain in the U.S. than in Canada. The difference is partly linked to Americans' worse economic conditions. Additionally, we find significant pain variability within the U.S. and Canada. U.S. states in the Deep South, Appalachia, and parts of the West stand out as pain 'hotspots' with particularly high pain levels. Overall, our findings identify areas with a high need for pain prevention and management; they also urge further scholarship on geographic factors as important covariates in population pain. PERSPECTIVE: This study documents the high pain burden in the U.S. versus Canada, and points to states in the Deep South, Appalachia, and parts of the West as having particularly high pain burden. The findings identify geographic areas with a high need for pain prevention and management.
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 | 0,010 | 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 ».