Multivariable prediction models for the recovery of and claim closure related to post-collision neck pain and associated disorders
Notice bibliographique
Résumé
OBJECTIVE: Few clinical prediction models are available to clinicians to predict the recovery of patients with post-collision neck pain and associated disorders. We aimed to develop evidence-based clinical prediction models to predict (1) self-reported recovery and (2) insurance claim closure from neck pain and associated disorders (NAD) caused or aggravated by a traffic collision. METHODS: The selection of potential predictors was informed by a systematic review of the literature. We used Cox regression to build models in an incident cohort of Saskatchewan adults (n = 4923). The models were internally validated using bootstrapping and replicated in participants from a randomized controlled trial conducted in Ontario (n = 340). We used C-statistics to describe predictive ability. RESULTS: Participants from both cohorts (Saskatchewan and Ontario) were similar at baseline. Our prediction model for self-reported recovery included prior traffic-related neck injury claim, expectation of recovery, age, percentage of body in pain, disability, neck pain intensity and headache intensity (C = 0.643; 95% CI 0.634-0.653). The prediction model for claim closure included prior traffic-related neck injury claim, expectation of recovery, age, percentage of body in pain, disability, neck pain intensity, headache intensity and depressive symptoms (C = 0.637; 95% CI 0.629-0.648). CONCLUSIONS: We developed prediction models for the recovery and claim closure of NAD caused or aggravated by a traffic collision. Future research needs to focus on improving the predictive ability of the models.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».