Predictors of Persistent Post-Surgical Pain Following Total Knee Arthroplasty: A Systematic Review and Meta-Analysis of Observational Studies
Notice bibliographique
Résumé
OBJECTIVE: Approximately one in four total knee replacement patients develop persistent pain. Identification of those at higher risk could help inform optimal management. METHODS: We searched MEDLINE, EMBASE, CINAHL, AMED, SPORTDiscus, and PsycINFO for observational studies that explored the association between risk factors and persistent pain (≥3 months) after total knee replacement. We pooled estimates of association for all independent variables reported by >1 study. RESULTS: Thirty studies (26,517 patients) reported the association of 151 independent variables with persistent pain after knee replacement. High certainty evidence demonstrated an increased risk of persistent pain with pain catastrophizing (absolute risk increase [ARI] 23%, 95% confidence interval [CI] 12 to 35), younger age (ARI for every 10-year decrement from age 80, 4%, 95% CI 2 to 6), and moderate-to-severe acute post-operative pain (ARI 30%, 95% CI 20 to 39). Moderate certainty evidence suggested an association with female sex (ARI 7%, 95% CI 3 to 11) and higher pre-operative pain (ARI 35%, 95% CI 7 to 58). Studies did not adjust for both peri-operative pain severity and pain catastrophizing, which are unlikely to be independent. High to moderate certainty evidence demonstrated no association with pre-operative range of motion, body mass index, bilateral or unilateral knee replacement, and American Society of Anesthesiologists score. CONCLUSIONS: Rigorously conducted observational studies are required to establish the relative importance of higher levels of peri-operative pain and pain catastrophizing with persistent pain after knee replacement surgery.
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 | 0,015 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,023 | 0,008 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 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 ».