Preferences of patients with chronic low back pain about nonsurgical treatments: Results of a discrete choice experiment
Notice bibliographique
Résumé
INTRODUCTION: This study aimed to assess patients' preferences of nonsurgical treatments for chronic low back pain (CLBP). METHOD: We conducted a discrete choice experiment (DCE) in Quebec, Canada, in 2018. Seven attributes were included: treatment modality, pain reduction, the onset of treatment efficacy, duration effectiveness, difficulties with daily activities, sleep problems, and knowledge of the patient's body and pain location. Treatment modalities were corticosteroid injections, supervised body-mind physical activities, supervised sports physical activities, physical manipulations, self-management courses, and psychotherapy. Utility levels were estimated using a logit model, a latent class model and a Bayesian hierarchical model. RESULTS: individuals. According to the Bayesian hierarchical model, the conditional relative importance weights of attributes were as follows: (1) treatment modality (34.79%), (2) pain reduction (18.73%), (3) difficulties with daily activities (11.71%), (4) duration effectiveness (10.06%), (5) sleep problems (10.05%), (6) onset of treatment efficacy (8.60%) and (7) knowledge of the patient's body and pain location (6.06%). According to the latent class model that found six classes of respondents with different behaviours (using Akaike and Bayesian criteria), the treatment modality was the most important attribute for all classes, except for class 4 for which pain reduction was the most important. In addition, classes 2 and 5 refused corticosteroid injections, while psychotherapy was preferred only in class 3. CONCLUSION: Given the preference heterogeneity found in the analysis, it is important that patient preferences are discussed and considered by the physicians. This will help to improve the patient care pathway in a context of a patient-centred model for a disease with growing prevalence. PATIENT OR PUBLIC CONTRIBUTION: A small group of patients was involved in the conception, design and interpretation of data. Participants in the DCE were all CLBP patients.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».