An exploration of the increasing prevalence of chronic pain among Canadian veterans: Life After Service Studies 2016 and 2019
Notice bibliographique
Résumé
Background The Life After Service Study (LASS) suggests that the absolute prevalence of chronic pain among Canadian veterans, defined as pain lasting 3 months or longer, increased by 10% from 2016 to 2019.Aims We explored the association of year of survey administration, sociodemographic characteristics, military service, and health-related factors with the prevalence of chronic pain among Canadian veterans.Methods We analyzed 2016 and 2019 LASS data and built a multivariable regression model to explore factors associated with chronic pain. Measures of association are reported as adjusted odds ratios (ORs) and absolute risk increases (ARIs).Results The 2016 LASS (73% response rate; 3002 of 4121) reported a 41.4% prevalence of chronic pain, and the 2019 LASS (72% response rate; 2630 of 3671) reported a 51.5% prevalence of chronic pain among Canadian veterans. Respondents who completed the 2019 LASS were more likely to endorse an anxiety or related disorder, mood disorder, probable posttraumatic stress disorder, and traumatic brain injury. In our adjusted regression model, year of survey administration was not associated with chronic pain (OR = 1.08, P = 0.8); however, we found large associations with obesity class 1 (body mass index [BMI] = 30.0–34.9; OR = 3.66; 95% confidence interval [CI] 1.46–9.17; ARI 27%), obesity class 2 (BMI = 35.0–39.9; OR = 8.10; 95% CI 1.67–39.3; ARI 47%), mood disorder (OR = 3.20; 95% CI 1.49–6.88; ARI 24%), and an anxiety or related disorder (OR = 4.53; 95% CI 1.28–16.0; ARI 33%).Conclusions The increase in chronic pain among Canadian veterans from 2016 to 2019 appears confounded by increased comorbidities associated with chronic pain among responders in 2019.
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 | 0,004 | 0,002 |
| 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 ».