Emotion Processing in Peripheral Neuropathic Pain: An Observational Study
Notice bibliographique
Résumé
BACKGROUND: In clinical practice, the implementation of tailored treatment is crucial for assessing the patient's emotional processing profile. Here, we investigate all three levels of analysis characterizing emotion processing, i.e., recognition, representation, and regulation, in patients with peripheral neuropathic pain (PNP). METHODS: Sixty-two patients and forty-eight healthy controls underwent quantitative sensory testing, i.e., psychophysical tests to assess somatosensory functions such as perception of cold (CDT), heat-induced pain (HPT), and vibration (VDT), as well as three standardized tasks to assess emotional processing: (1) the Ekman 60-Faces Test (EK-60F) to assess recognition of basic facial emotions, (2) the Reading the Mind in the Eyes Test (RME) to assess the ability to represent the feelings of another person by observing their eyes, and (3) the 20-item Toronto Alexithymia Scale (TAS-20) to assess emotional dysregulation, i.e., alexithymia. RESULTS: General Linear Model analysis revealed a significant relationship between left index finger VDT z-scores in PNP patients with alexithymia. The RME correlated with VDT z-scores of the left little finger and overall score for the EK-60F. CONCLUSIONS: In patients with PNP, emotion processing is impaired, which emphasizes the importance of assessing these abilities appropriately in these patients. In this way, clinicians can tailor treatment to the needs of individual patients.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».