Impact of Knee Pain and Osteoarthritis on Quality of Life: A Comprehensive Assessment of Physical, Social, and Psychological Factors
Notice bibliographique
Résumé
Introduction: Osteoarthritis (OA) is a prevalent disease that affects the quality of life (QoL) not only through pain and physical disability but also by influencing social and psychological aspects of life. This study aims to compare patients diagnosed with knee OA to those with knee pain and other comorbidities to evaluate the specific impact of OA on QoL. Materials and Methods: A total of 150 patients presenting with knee pain or knee OA were assessed using standardized QoL instruments, including the World Health Organization QoL-BREF (WHOQOL-BREF), the Western Ontario and McMaster Universities Arthritis Index (WOMAC), the Brief Illness Perception Questionnaire (Brief IPQ), and the Patient Health Questionnaire-9 (PHQ-9). Results: The influence of various factors, such as patient characteristics, demographics, medical history, medication use, OA diagnosis, and related symptoms, was analyzed using regression models. Significant correlations were observed between QoL and variables including knee injuries (WOMAC score: 54.662 vs. 38.657, P < 0.001), depression (PHQ-9: 9.894 vs. 6.608, P < 0.001), elevated BMI (WOMAC: F = 5.305, P = 0.023), and occasional crepitus (WOMAC score: 53.144 vs. 40.175, P = 0.003). No statistically significant differences were found between patients with OA and those with other diagnoses in any of the outcome measures. Conclusions: The findings suggest that QoL is influenced more by general factors such as psychological well-being (depression), pain (knee injuries), and overall health (BMI) rather than the specific diagnosis of OA. This underscores the importance of addressing these broader health attributes to improve the QoL in patients with knee-related issues.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 ».