Problem of pain in the USA: evaluating the generalisability of high-impact chronic pain models over time using National Health Interview Survey (NHIS) data
Notice bibliographique
Résumé
Introduction: High-impact chronic pain (HICP) significantly affects the quality of life for millions of U.S. adults, imposing substantial economic/healthcare burdens. Disproportionate effects are observed among racial/ethnic minorities and older adults. Methods: We leveraged the National Health Interview Survey (NHIS) from 2016 (n=32,980), 2017 (n=26,700), and 2021 (n=28,740) to validate and develop analytical models for HICP. Initial models (2016 NHIS data) identified correlates associated with HICP, including hospital stays, diagnosis of specific diseases, psychological symptoms, and employment status. We assessed the models' generalizability and drew comparisons across time. We constructed five validation scenarios to account for variations in the availability of predictor variables across datasets and different time frames for pain assessment questions. We used logistic regression with LASSO and random forest techniques. We assessed model discrimination, calibration, and overall performance using metrics such as area under the curve (AUC), calibration slope, and Brier score. Results: Scenario 1, validating the NHIS 2016 model against 2017 data, demonstrated excellent discrimination with an AUC of 0.89 (95% CI: 0.88-0.90) for both LASSO and random forest models. Subgroup-specific performance varied, with the lowest AUC among adults aged ≥65 years (0.81, 95% CI: 0.78-0.82) and the highest among Hispanic respondents (0.91, 95% CI: 0.88-0.94). Model calibration was generally robust, although underfitting was observed for Hispanic respondents (calibration slope: 1.31). Scenario 3, testing the NHIS 2016 model on 2021 data, showed reduced discrimination (AUC: 0.82, 95% CI: 0.81-0.83) and overfitting (calibration slopes < 1). De novo models based on 2021 data showed comparable discrimination (AUC: 0.86, 95% CI: 0.85-0.87) but poorer calibration when validated against older datasets. Conclusion: These findings underscore the potential of these models to guide personalized medicine strategies for HICP, aiming for more preventive rather than reactive healthcare. However, the model's broader applicability requires further validation in varied settings and global populations.
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 | 0,213 | 0,007 |
| 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 | 0,000 | 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 ».