Unravelling pain in diabetic neuropathy patients: Exploring the relationship between perceived pain severity, lifestyle, and coping strategies mediated by self-focused attention and rumination: A cross-sectional study
Notice bibliographique
Résumé
Objective: Diabetes ranks highly among the world's non-communicable diseases, bringing about a host of physical and psychological impacts on those it afflicts. One such complication is neuropathy, often resulting in significant pain and discomfort. Diabetic neuropathy patients' perceived pain intensity, lifestyle, and pain management strategies measures will be examined in this study. This study also analyses how self-focused attention and rumination mediate this dynamic in Hamedan, Iran, 2023 patients. Methods: The study population comprised neuropathy patients in Hamadan province, Iran. A sample of 253 individuals was selected for the study. Data collection involved several questionnaires: The McGill Pain Questionnaire, Lifestyle Questionnaire, the Coping Strategies Questionnaire, the Self-Focused Attention Questionnaire, and the Rumination Questionnaire. The research model was evaluated using structural equation modeling with AMOS software version 24. Results: Path analysis revealed that the model exploring the relationship between lifestyle-based severity of pain perception and pain coping strategies, mediated by self-focused attention and rumination, was a good fit for patients with diabetic neuropathy. (P < 0.05). Conclusion: The findings suggest that an improved lifestyle and more effective pain management strategies are linked to decreased severity of pain perception in patients with diabetic neuropathy. Additionally, the research indicates that self-focused attention and high levels of rumination may lead to increased severity of pain perception in these individuals. This research has the potential to advance the understanding of diabetic neuropathy's underlying mechanisms and enhance treatment approaches, ultimately playing a significant role in improving the quality of life for these patients.
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 | 0,002 |
| 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 | 0,000 |
| 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 ».