MétaCan
Menu
Retour à la cohorte
Enregistrement W4391052663 · doi:10.1002/msc.1855

Deciphering classification systems for neck pain—Understanding the content of classification systems to enhance physiotherapy management of neck pain

2024· article· en· W4391052663 sur OpenAlexaff
Thomas Gérard, Florian Naye, Pierre Langevin, Simon Décary, Chad Cook, Yannick Tousignant‐Laflamme

Notice bibliographique

RevueMusculoskeletal Care · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueMusculoskeletal pain and rehabilitation
Établissements canadiensUniversité LavalCentre for Interdisciplinary Research in RehabilitationCentre Hospitalier Universitaire de SherbrookeUniversité de Sherbrooke
Organismes subventionnairesnon disponible
Mots-clésCINAHLMedicineScopusNeck painSystematic reviewMEDLINECognitionPhysical therapyPhysical medicine and rehabilitationAlternative medicinePsychiatryPathologyPsychological intervention

Résumé

récupéré en direct d'OpenAlex

Abstract Background Neck pain is a prevalent and disabling condition. Conservative management of this condition has shown only moderate effects. A solution to improve treatment effectiveness is to sub‐group patients into a classification system (CS) that allows for more personalised care. However, current stratification methods have only shown short‐term efficacy for pain. Given the limitations of these tools, it is pertinent to understand how these CSs are composed to be able to propose alternative patient management solutions. Objective To identify and examine the different components of classification systems specific to patients with neck‐related conditions. Method A systematic literature search was performed on 3 databases (PubMed, Scopus and CINAHL). Only systematic reviews, with or without meta‐analysis, and scoping reviews reporting CS with associated treatment for neck pain were included. Bias evaluation was performed through risk of bias in systematic review tools. Results From the search strategy, 741 citations were retrieved, and seven studies were included. From these studies, 37 CS with associated treatments were extracted. Mobilisations showed that 64% were constructed using physical findings, 61% of CS were guided by symptom modulation, 25% used results of self‐reported questionnaire, 14% used individual characteristics, 14% incorporated cognitive findings, 8% used neurological findings, 3% used results of medical diagnostic test, and 3% incorporated environmental findings. Fear‐avoidance beliefs was the only cognitive parameter considered among CS. Conclusion This study shows that existing classification systems for neck pain are limited and lack coverage of all potential drivers of pain and disability. The lack of recognition of psychosocial and pain neuroscience parameters may partly explain the limited effectiveness of these tools.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,461
Score d'incertitude au seuil0,766

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,049
Tête enseignante GPT0,344
Écart entre enseignants0,295 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMusculoskeletal CareMême sujetMusculoskeletal pain and rehabilitationTravaux en français237 207