A systematic review of screening diagnostic tools for trigeminal neuralgia
Notice bibliographique
Résumé
Background and objective: Trigeminal neuralgia (TN) is a rare chronic neuropathic pain condition of sudden and severe pain, often described as an electric shock. Diagnosis is challenging for non-expert clinicians, particularly in primary care settings. We wanted to identify and assess the diagnostic accuracy of existing screening tools for TN and orofacial pain that could be used to support the diagnosis of TN in primary care. Databases and data treatment: We searched key databases (MEDLINE, ASSIA, Embase, and Web of Knowledge and PsycINFO) supplemented by citation tracking from January 1988 to 2021. We used an adapted version of the Quality of Diagnostic Accuracy Studies (QUADAS-2) to assess the methodological quality of each study. Results: Searches identified five studies, from the UK, USA and Canada; three validated self-report questionnaires; and two artificial neural networks. All screened for multiple orofacial pain diagnoses, including dentoalveolar pain, musculoskeletal pain (temporomandibular disorders) and neurological pain (trigeminal neuralgia, headache, atypical facial pain and postherpetic neuralgia). The overall quality assessment was low for one study. Conclusions: Diagnosis of TN can be challenging for non-expert clinicians. Our review found few existing screening tools to diagnose TN, and none is currently suitable to be used in primary care settings. This evidence supports the need to adapt an existing tools or to create a new tool for this purpose. The development of an appropriate screening questionnaire could assist non-expert dental and medical clinicians to identify TN more effectively and empower them to manage or refer patients for treatment more effectively.
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 | 0,004 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».