Musculoskeletal Pain Among Community-Dwelling Older Adults during the COVID-19 Pandemic: A Longitudinal Survey
Notice bibliographique
Résumé
OBJECTIVE: To describe the MSK pain prevalence and incidence and identify factors associated with MSK pain among older adults over a 1-year follow-up during the COVID-19 pandemic. METHODS: This longitudinal telesurvey recruited community-dwelling older adults (less than or equal to 65 years) in Hamilton, Canada. MSK pain prevalence and incidence were calculated. Multilevel negative binomial and ordered logistic regression models were used to identify factors associated with the number of pain sites (0 to 7 pain sites), and most intense pain (no, mild, moderate, and severe pain). RESULTS: We included 247 participants. Pain prevalence ranged between 64% at baseline to 73% at one year. The interaction of mental health by time as well as age and mobility were associated with the number of pain sites. Being older (IRR 0.96; 95% CI 0.94 to 0.98) and having better mobility (IRR 0.96; 0.95 to 0.96) were associated with lower number of pain sites. Having better mental health was associated with higher numbers of pain sites at 6- (IRR 1.58, 95% CI 1.05 to 2.37), 9- (IRR 1.55, 95% CI 1.02 to 2.34), and 12-months follow-ups (IRR 1.66, 95% CI 1.10 to 2.53). Sex, BMI and interactions of age by time, mobility by time, and mental health by time interaction were associated with the most intense pain. Being male (OR 0.87; 0.82 to 0.93) and having a greater BMI (OR 1.07; 1.00 to 1.14) were associated with lower and higher pain intensity, respectively. Being older (OR 1.09; 1.01 to 1.18) and having better mobility (OR 1.06; 1.01 to 1.11) were associated with higher pain intensity at 12 months. CONCLUSION: Older adults were found to have high MSK pain prevalence, however, there was not a significant increase over time. Our results demonstrated that mobility, age, BMI, sex, and mental health are important factors associated with MSK pain in older adults.
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 | 0,026 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».