Neurocognitive predictors of adherence to an online pain self-management program adjunct to long-term opioid therapy
Notice bibliographique
Résumé
INTRODUCTION: While pain self-management programs can significantly improve patient outcomes, poor adherence is common and the need for research on predictors of adherence has been noted. A potential, but commonly overlooked, predictor is cognitive function. Our aim, then, was to examine the relative influence of various cognitive functional domains on engagement with an online pain self-management program. METHOD: A secondary analysis of a randomized controlled trial testing the impact of E-health (a 4-month subscription to the online Goalistics Chronic Pain Management Program) plus treatment as usual, relative to treatment as usual alone, on pain and opioid dose outcomes in adults receiving long-term opioid therapy of morphine equivalence dose ≥20 mg; 165 E-health participants who completed an on-line neurocognitive battery were included in this sub-analysis. A variety of demographic, clinical, and symptom rating scales were also examined. We hypothesized that better processing speed and executive functions at baseline would predict engagement with the 4-month E-health subscription. RESULTS: Ten functional cognitive domains were identified using exploratory factor analysis and the resultant factor scores applied for hypothesis testing. The strongest predictors of E-health engagement were selective attention, and response inhibition and speed domains. An explainable machine learning algorithm improved classification accuracy, sensitivity, and specificity. CONCLUSIONS: The results suggest that cognition, especially selective attention, inhibitory control, and processing speed, is predictive of online chronic pain self-management program engagement. Future research to replicate and extend these findings seems warranted. CLINICALTRIALS.GOV REGISTRATION NUMBER: NCT03309188.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».