Pain Among US Adults Before, During, and After the COVID-19 Pandemic: A Repeated Cross-Sectional Study using the 2019-2023 National Health Interview Survey
Notice bibliographique
Résumé
ABSTRACT Importance Chronic pain (CP) is a major public health problem in the US. The COVID-19 pandemic led to widespread disruptions in the US and it is important to monitor changes in pain during and after the pandemic. Objective To determine prevalence of chronic pain (CP) and high-impact chronic pain (HICP) before, during, and after the COVID-19 pandemic and identify potential contributing factors. Methods We analyze a nationally representative sample of 88,469 community-dwelling Americans aged 18 and older from three cross-sectional waves of the National Health Interview Survey before (2019), during (2021), and after (2023) the COVID-19 pandemic. Year of interview is the exposure. All regression models control for age and sex; fully controlled models include 19 additional covariates (demographics, socioeconomic status, health behaviors, health conditions, mental health, and health insurance type); analyses also explore the role of long COVID. Outcomes are CP and HICP using measures proposed by the US National Pain Strategy; we also present findings for six site-specific pain measures. Results Between 2019 and 2023, CP and HICP prevalence increased by 18% and 13%, respectively. Specifically, CP prevalence was 20.6% (95%CI: 19.9-21.2%) in 2019, 20.9%(20.3-21.6%) in 2021, and 24.3% (23.7-25.0%) in 2023. HICP prevalence declined from 7.5% (7.1-7.8%) in 2019 to 6.9% (6.6-7.3%) in 2021, before rising sharply to 8.5% (8.1-8.9%) in 2023. The increases occurred in all examined body sites except for tooth/jaw pain, and in all major population groups. Approximately 13% of the increase in CP and HICP was attributable to long COVID. Conclusions and Relevance Pain among US adults was high before and during the pandemic but has surged substantially since. In 2023, an unprecedented 60 million Americans had chronic pain and 21 million had high-impact chronic pain.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».