Frailty predicts knee pain trajectory over 9 years: results from the Osteoarthritis Initiative
Notice bibliographique
Résumé
OBJECTIVE: Frailty is a multisystem syndrome and its relationship with symptomatic osteoarthritis has been reported. We aimed to identify trajectories of knee pain in a large prospective cohort and to describe the effect of frailty status at baseline on the pain trajectories over 9 years. METHODS: We included 4419 participants (mean age 61.3 years, 58% female) from the Osteoarthritis Initiative cohort. Participants were classified as "no frailty," "pre-frailty," or "frailty" at baseline, based on 5 characteristics (ie, unintentional weight loss, exhaustion, weak energy, slow gait speed, and low physical activity). Knee pain was evaluated annually using the Western Ontario and McMaster Universities Osteoarthritis Index pain subscale (0-20) from baseline to 9 years. RESULTS: Of the participants included, 38.4%, 55.4%, and 6.3% were classified as "no frailty," "pre-frailty," and "frailty," respectively. Five pain trajectories were identified: "No pain" (n = 1010, 22.8%), "Mild pain" (n = 1656, 37.3%), "Moderate pain" (n = 1149, 26.0%), "Severe pain" (n = 477, 10.9%), and "Very Severe pain" (n = 127, 3.0%). Compared to participants with no frailty, those with pre-frailty and frailty were more likely to have more severe pain trajectories (pre-frailty: odds ratios [ORs] 1.5 to 2.1; frailty: ORs 1.5 to 5.0), after adjusting for potential confounders. Further analyses indicated that the associations between frailty and pain were mainly driven by exhaustion, slow gait speed, and weak energy. CONCLUSIONS: Approximately two-thirds of middle-aged and older adults were frail or pre-frail. The role of frailty in predicting pain trajectories suggests that frailty may be an important treatment target for knee pain.
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 | 0,007 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».