Evidence Mapping Based on Systematic Reviews of Cognitive Behavioral Therapy for Neuropathic Pain
Notice bibliographique
Résumé
Objective: This evidence mapping is aimed at identifying, summarizing, and analyzing the available evidence on cognitive behavioral therapy (CBT) for neuropathic pain (NP). Methods: This study was conducted following the methodology of Global Evidence Mapping (GEM). Searches were conducted in PubMed, Embase, the Cochrane Library, and PsycINFO to identify systematic reviews (SRs) with or without meta-analysis published before February 15, 2022. The authors independently assessed eligibility, extracted data, and evaluated the methodological quality of the included SRs using AMSTAR-2. The results were presented in the tables and a bubble plot based on the identified population-intervention-comparison-outcome (PICO) questions. Results: A total of 34 SRs met the eligibility criteria. According to the AMSTAR-2, 2 SRs were rated "high," 2 SRs were rated "moderate," 6 SRs were rated "low," and 24 SRs were rated "critically low." The most common study design utilized to evaluate the efficacy of CBT for NP was the randomized controlled trial. In total, 24 PICOs were identified. Migraine was the most studied population. CBT for NP usually reaches the "potentially better" result at follow-up. Conclusions: Evidence mapping is a useful way to present existing evidence. Currently, the existing evidence on CBT for NP is limited. Overall, the methodological quality of the included SRs was low. Further improvements in the methodological quality of SRs and more research on the most efficient CBT formats for NP are recommended in the future.
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 | 0,118 | 0,391 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,002 |
| Méta-épidémiologie (sens large) | 0,016 | 0,021 |
| Bibliométrie | 0,075 | 0,038 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,005 | 0,010 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 ».