Latent Profile Analysis of Canadian Military Veterans With Chronic Pain Identifies 5 Meaningful Classes Through Self-Report Measures
Notice bibliographique
Résumé
The purpose of this study was to identify meaningful response patterns in self-report survey data collected from Canadian military veterans with chronic pain and to create an algorithm intended to facilitate triage and prioritization of veterans to the most appropriate interventions. An online survey was presented to former members of the Canadian military who self-identified as having chronic pain. Variables collected were related to pain, physical and mental interference, prior traumatic experiences, and indicators from each of the 7 potential drivers of the pain experience. Maximum likelihood estimation-based latent profile analysis was used to identify clinically and statistically meaningful profiles using the 7-axis variables, and classification and regression tree (CRT) analysis was then conducted to identify the most parsimonious set of indicators that could be used to accurately classify respondents into the most relevant profile group. Data from N = 322 veterans were available for analysis. The results of maximum likelihood estimation-based latent profile analysis indicated a 5-profile structure was optimal for explaining the patterns of responses within the data. These were: Mood-Dominant (13%), Localized Physical (24%), Neurosensory-Dominant (33%), Central-Dominant with complex mood and neurosensory symptoms (16%), and Trauma- and mood-dominant (14%). From CRT analysis, an algorithm requiring only 3 self-report tools (central symptoms, mood screening, bodily coherence) achieved 83% classification accuracy across the 5 profiles. The new classification algorithm requiring 16 total items may be helpful for clinicians and veterans in pain to identify the most dominant drivers of their pain experience that may be useful for prioritizing intervention strategies, targets, and relevant health care disciplines. PERSPECTIVE: This article presents the results of latent profile (cluster) analysis of responses to standardized self-report questionnaires by Canadian military veterans with chronic pain. It identified 5 clusters that appear to represent different drivers of the pain experience. The results could be useful for triaging veterans to the most appropriate pain care providers.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».