Pain Phenotypes in Endometriosis: A Population‐Based Study Using Latent Class Analysis
Notice bibliographique
Résumé
OBJECTIVE: To identify pain phenotypes in patients with endometriosis and investigate their associations with demographics, clinical characteristics, comorbidities and pain-related quality of life (QoL). DESIGN: Cross-sectional, single-centre, population-based study. SETTING: Referral university centre in Quebec City, Canada. POPULATION: Patients diagnosed with endometriosis were enrolled consecutively between January 2020 and April 2024. METHODS: Latent class analysis was used to identify pain phenotypes. A three-step approach of latent class analysis, involving logistic regression models, was applied to assess the associations between pain phenotypes and demographics, clinical characteristics, comorbidities and pain-related QoL. MAIN OUTCOME MEASURES: Pain phenotypes; demographic, clinical and comorbidity predictors of phenotype membership; association between QoL and pain phenotypes. RESULTS: A total of 352 patients were included. Two pain phenotypes were identified with distinct clinical presentations: one (54% of the participants) with more severe and frequent pain symptoms and poorer QoL and the other (46% of the participants) with mild and less frequent pain symptoms. The high pain phenotype was associated with previous treatment failure, painkiller use, familial history of endometriosis, low annual family income and comorbidities, including painful bladder, fibromyalgia, migraines, lower back pain, irritable bowel syndrome, anxiety and depression or mood disorders. The presence of endometrioma was associated with the low pain phenotype. Phenotype membership was associated with distinct QoL profiles (p < 0.001). The mean QoL score was higher in the high pain phenotype (59; 95% CI, 56-62) than in the low pain phenotype (33; 95% CI, 29-37). CONCLUSION: Patients with endometriosis can be categorised into two distinct phenotypes that correlate with QoL and patient characteristics. Validation in other populations is necessary and could aid the development of specialised or personalised interventions.
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 | 0,002 | 0,005 |
| 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 | 0,000 | 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 ».