Where we live matters: a comparison of chronic pain treatment between remote and non-remote regions of Quebec, Canada
Notice bibliographique
Résumé
Objective Where a person lives is a recognized socioeconomic determinant of health and influences healthcare access. This study aimed to compare the pain treatment profile of persons with chronic pain (CP) living in remote regions to those living in non-remote regions (near or in major urban centers). Methods A cross-sectional study was performed among persons living with CP across Quebec. In a web-based questionnaire, participants were asked to report in which of the 17 administrative regions they were living (six considered “remote”). Pain treatment profile was drawn up using seven variables: use of prescribed pain medications, over-the-counter pain medications, non-pharmacological pain treatments, multimodal approach, access to a trusted healthcare professional for pain management, excessive polypharmacy (≥10 medications), and use of cannabis for pain. Results 1,399 participants completed the questionnaire (women: 83.4%, mean age: 50 years, living in remote regions: 23.8%). As compared to persons living in remote regions, those living in non-remote regions were more likely to report using prescribed pain medications (83.8% vs. 67.4%), a multimodal approach (81.5% vs. 75.5%), experience excessive polypharmacy (28.1% vs. 19.1%), and report using cannabis for pain (33.1% vs. 20.7%) (bivariable p < 0.05). Only the use of prescribed medications as well as cannabis remained significantly associated with the region of residence in the multivariable models. Discussion There are differences in treatment profiles of persons with CP depending on the region they live. Our results highlight the importance of considering remoteness, and not only rurality, when it comes to better understanding the determinants of 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 | 0,004 | 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 ».