Exploring different models of pain phenotypes and their association with pain worsening in people with early knee osteoarthritis: The MOST cohort study
Notice bibliographique
Résumé
OBJECTIVE: To determine i) pain phenotypes (PP) in people with early-stage knee osteoarthritis (EKOA); ii) the longitudinal association between the phenotypes and pain worsening at two years. DESIGN: We studied participants with EKOA from the Multicenter Osteoarthritis Study defined as pain intensity ≤3/10, Kellgren and Lawrence grade ≤2, intermittent pain none to sometimes, and no constant pain. Two models of PP were explored. Model A included pressure pain thresholds, temporal summation, conditioned pain modulation, pain catastrophizing, sleep quality, depression, and widespread pain (WSP). In Model B, gait characteristics, quadriceps strength, comorbidities, and magnetic resonance imaging features were added to Model A. Latent Class Analysis was used to create phenotypes, and logistic regression was used to determine their association with pain worsening. RESULTS: 750 individuals (60% females), mean age [standard deviation (SD)]: 60.3 (9.4) were included in Model A and 333 individuals (60% females), mean age (SD): 59.4 (8.1) in Model B. 3-class and 4-class solutions were chosen for Model A and Model B. In Model A, the most "severe" phenotype was dominated by psychosocial factors, WSP, and measures of nervous system sensitization. Similarly in Model B, the Model A phenotype plus gait variables, quadriceps strength, and comorbidities were dominant. Surprisingly, none of the phenotypes in either model had a significant relationship with pain worsening. CONCLUSION: Phenotypes based upon various factors thought to be important for the pain experience were identified in those with EKOA but were not significantly related to pain worsening. These phenotypes require validation with clinically relevant endpoints.
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 | 0,001 |
| 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 ».