The pain funding gap: A database analysis of pain research funding in Canada from 2008–2023
Notice bibliographique
Résumé
Background One in five Canadians experiences chronic pain, at a cost of $40.3 billion in 2019. Despite this significant burden, there are few effective treatments for pain. This gap has been recognized by Health Canada, which has put forth the Action Plan for Pain in Canada. Advancing our understanding of pain mechanisms and clinical trials to identify novel therapeutics are essential to address this treatment gap. However, it remains unknown whether the recommendations of the Action Plan have increased research investments.Methods We investigate research investments in pain by the Canadian Institutes of Health Research (CIHR) based on publicly available data. We performed a systematic database search focused on operating funds from competitions between 2008 and 2023 and tabulated pain funding as a proportion of total CIHR operational funds granted each year. Next, we examined the proportion of pain funding across CIHR institutes aggregated across funding years.Results We identified 20,126 operational grants, of which 459 were pain focused. The highest level of pain funding was 3.32% in 2019, and the average (SD) was 2.13% (0.70%). Funding was stagnant from 2008 to 2023 (R2 = 0.10, P = 0.23). The Institute of Musculoskeletal Health and Arthritis allocated the largest proportion of funding to pain research (11.40%). Eight of the 13 institutes allocated less than 1% of their operating funds to pain research.Interpretation In sum, CIHR pain research funding does not match the socioeconomic burden posed by pain. We propose three action items to improve pain research funding and to ultimately relieve the burden of pain in Canada.
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 | 0,090 | 0,305 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| 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 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».