Types, method, and mode of implementation of pain/symptom maps in musculoskeletal pain rehabilitation: A scoping review protocol
Notice bibliographique
Résumé
INTRODUCTION: Pain maps are tools used for assessing the extent, location, or distribution of pain or symptoms for clinical or research purposes. Pain mapping involves a transformational representation of patients' experiences of pain into a graphical, numerical, or descriptive form that typically requires a patient to indicate the affected body regions and may include additional information such as qualitative description or intensity. In preparation for innovative technology-enabled development of quantifiable pain maps, this review will focus on the methodological aspects of recent pain maps in addition to the reported measurement properties of each mapping approach. This will identify current gaps in knowledge, consistencies in implementation, and inform directions for future development of more person-centric and meaningful pain maps. The objective of this scoping review is to explore the commonly used types of pain/symptom maps in musculoskeletal pain by classifying design (types) across five categorical features: scalability, region-specificity, aspect or orientation, segmentation, and sex identification, and investigate their methods and modes of implementation. METHODS: Key sources of evidence such as Medline, Embase, PsycINFO, CINAHL, Scopus, Web of Science, will be searched from inception to June 5, 2024, including grey literature from reference screening, library and organizational collections such as WorldCat, ProQuest Global Dissertation, Google Scholar, and Google to find descriptions or evaluations of pain/symptom maps in people with pain of a primarily musculoskeletal origin. Studies reporting standard patient-reported pain or body mapping interventions will be considered but studies that present X-ray or CT or MRI scans or artistic body maps will be excluded. Primary outcomes include 'types' of design: scale, segments, sex, orientation, region; pain mapping methods: marking, shading, checking; and mode of implementation: paper, digital, etc. Secondary outcomes include axis I: pain location, extent or distribution; and axis II: pain severity, intensity, and quality. Eligibility screening and data extraction will be conducted by two independent reviewers. The review is intended to initiate research that promotes the integration of data-friendly solutions and supports the application of machine learning in musculoskeletal pain evaluation.
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 | 0,157 | 0,161 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,006 |
| Méta-épidémiologie (sens large) | 0,011 | 0,013 |
| Bibliométrie | 0,024 | 0,018 |
| Études des sciences et des technologies | 0,005 | 0,006 |
| Communication savante | 0,009 | 0,009 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,008 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,064 | 0,014 |
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 ».