The Association of Diabetes with Knee Pain Severity and Patterns in People with Knee Osteoarthritis
Notice bibliographique
Résumé
Background: As one of the most common forms of joint disease, osteoarthritis (OA) causes progressive impairment in adults because of the deterioration of articular cartilage in the joints. Multiple variables, including comorbidities (such as diabetes mellitus, hypertension, obesity, and dyslipidemia), lifestyle choices, food, age, and genetics, might influence the occurrence, development, and severity of OA symptoms. Objective: To assess knee pain severity & patterns in cases with OA & OA with diabetes mellitus. Patients and Methods: This is cross-sectional research that was done in Benha University Hospitals on 100 cases, which were separated into two groups: Group one included fifty OA patients and group two consisted of fifty OA patients with diabetes mellitus (DM). Group two was divided into two subgroups: good control and poor control patients according to diabetes control. Knee pain was measured according to three subscales: WOMAC (The Western Ontario and McMaster Universities OA Index), KOOS (Knee Injury and OA Outcome Score) and VAS (visual analogue scale). Results: There was a statistically significant variance amongst the examined groups concerning diabetes parameters (HbA1c, fasting glucose and two hours post prandial), Kellgren-Lawrence scale, correlation of diabetes duration with other parameters of pain in OA patients and correlation of HbA1c with other parameters of pain among OA patients with DM. Conclusion: Our study concluded that WOMAC pain subscale was significantly increased with worsening of DM and KOOS pain subscale was significantly decreased with worsening of DM. This suggests the crucial need for management of DM to achieve better outcomes of OA.
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 | 0,000 |
| 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 ».