Is it possible to measure our patients' pain?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study aims to describe and discuss the main instruments for assessing chronic musculoskeletal pain and its associated symptoms and syndromes. The treatment of patients with chronic pain, regardless of the underlying disease, presents challenges inherent to its multidimensional nature. One of the main challenges is how to measure the outcomes of interventions. The most common forms of measurement are analog scales. These are considered unidimensional because they assess only pain intensity, without considering other clinical aspects. Questionnaires with multidimensional scales have the advantage of capturing not only pain intensity but also other accompanying phenomena, such as the degree of disability, emotional aspects, and even social and occupational impacts. Regarding multidimensional instruments for pain assessment, we cite the Brief Pain Inventory and the McGill Pain Questionnaire. Other multidimensional instruments include: Clinically Aligned Pain Assessment (CAPA) Tool, Defense and Veterans Pain Rating Scale, Geriatric Pain Measure, Pain Impact Questionnaire (PIQ-6), Pain Monitor, and Short Form-36 Bodily Pain Scale (SF-36 BPS). As for more specific questionnaires, there are the Fibromyalgia Impact Questionnaire, the Fibromyalgia Scale, and the Central Sensitization Inventory. Among the symptoms that most frequently accompany chronic pain, fatigue and sleep disturbances stand out. These have specific questionnaires for their assessment and are also included in more generic instruments. In conclusion, the search for a simple and applicable metric for chronic pain is still far from being achieved.
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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
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 découle