Changing society, changing research: integrating gender to better understand physical and psychological treatments use in chronic pain management
Notice bibliographique
Résumé
ABSTRACT: Treatment of chronic pain should be multimodal and include pharmacological, physical, and psychological treatments. However, because various barriers to physical and psychological treatments (PPTs) exist, a better understanding of biopsychosocial factors leading to their use is relevant. This study aimed to explore the association between gender identity, gender-stereotyped personality traits, and the use of PPTs in chronic pain management. The ChrOnic Pain trEatment cohort, a self-reported data infrastructure resulting from a web-based recruitment of 1935 people living with chronic pain (Quebec, Canada) was analyzed. Gender identity was operationalized as women, men, and nonbinary. Gender-stereotyped personality traits were measured using the Bem Sex-Role Inventory (feminine, masculine, androgynous, undifferentiated). A checklist of 31 types of PPTs that can be used for chronic pain management was presented to participants (yes/no). From the 1433 participants, 85.5% reported using at least one PPT. Hot-cold therapies (43.4%), exercise (41.9%), and meditation (35.2%) were the most frequently used PPTs, but most popular PPTs were not the same among women and men. Women reported a significantly higher use of PPTs in general (87.2% vs 77.2%; P < 0.001). Multivariable and interaction analyses showed that identifying as a man decreased the odds of reporting the use of PPTs (odds ratio: 0.32, 95% confidence interval: 0.11-0.92) but only among participants who scored high on both masculine and feminine personality traits (those classified as androgynous). The high prevalence of PPTs use found in our study is positive. Our results are relevant for a more personalized promotion of PPTs for chronic pain management.
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».