Protocol for the development of a tool to map systemic sclerosis pain sources, patterns, and management experiences: a Scleroderma Patient-centered Intervention Network patient-researcher partnership
Notice bibliographique
Résumé
INTRODUCTION: Systemic sclerosis (SSc) is a rare, complex autoimmune rheumatic disease with multiple factors that contribute to pain. People with SSc emphasize the effect pain has on their quality of life, but no studies have systematically examined the frequency and relative importance of different SSc pain sources, patterns of pain from different sources, and pain management experiences. Our objectives are to (1) develop a tool, jointly with researchers, health care providers, and patients, to map sources of pain in SSc, determine patterns of pain from different sources, and understand pain management experiences; and (2) administer the final tool version to participants in the large multinational Scleroderma Patient-centered Intervention Network (SPIN) Cohort. METHODS: First, we will use validated pain assessment tools as templates to develop an initial version of our pain assessment tool, and we will obtain input from patient advisors to adapt it for SSc. The tool will include questions on pain sources, pain patterns, pain intensity, pain management techniques, and barriers to pain management in SSc. Second, we will conduct nominal group technique sessions with people living with SSc and health care providers who care for people with SSc to further refine the tool. Third, we will conduct individual usability testing sessions with SPIN Cohort participants. Once the tool has been finalized, we will administer it to individuals in the multinational SPIN Cohort, which currently includes over 1,300 active participants from 54 sites in 7 countries. We will perform unsupervised clustering using the KAy-Means for MIxed LArge data (KAMILA) method to identify participant subgroups with similar profiles of pain sources (present or absent) and to evaluate predictors of subgroup membership. We will use latent profile analysis to identify subgroups of participants with similar profiles based on pain intensity scores for each pain source and evaluate predictors. DISCUSSION: Once completed, our pain assessment tool will allow our team and other researchers to map sources of pain in SSc and to understand pain management experiences of people living with SSc. This knowledge will provide avenues for studies on the pathophysiology of pain in SSc and studies of interventions to improve 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».