Neuroethical issues in adopting brain imaging for personalized chronic pain management: Attitudes of people with lived experience of chronic pain
Notice bibliographique
Résumé
Background: Pain is an individual and subjective experience that places a burden on individuals to convince others they have pain. Brain imaging technologies can potentially inform pain management but raise neuroethical questions. Aims: We examined the degree of endorsement and concerns of adults in Canada with chronic pain regarding the use of brain imaging to detect and treat chronic pain in six areas: new brain imaging technologies, brain data privacy, stigma, treatment, objective representations of pain, and dismissing pain self-reports. Results: An online survey was completed by 349 Canadian adults living with chronic pain. Most respondents were open to using brain imaging for diagnostics, prediction, and therapeutic decision making (>90%). More than half of respondents felt that a brain scan would give them more confidence in their diagnosis and treatment plans and that health care providers would be more likely to believe they had chronic pain. However, they worried that brain scans could be used to dismiss their pain self-report. Most respondents felt there were policies to protect their brain data, but 40% were concerned about privacy and brain scan use against them by their employers/insurers. Although most respondents felt that a brain scan could represent their pain and suffering, 80% disagreed that their pain is only real if seen in a brain scan. Conclusions: People with chronic pain recognize the potential benefits of brain imaging but are concerned about data security and dismissal of their self-reported pain. Our data align with previous recommendations to use brain imaging as an adjunct to pain self-reports but not as a replacement for the same.
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 | 0,007 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».