Evaluating Dental Pain in Diverse Conditions: Findings From Short-Form McGill Pain Questionnaire Study
Notice bibliographique
Résumé
INTRODUCTION AND AIMS: Making precise diagnoses of patients with dental pain is challenging. Thus, a screening system that can help accurately stratify patients depending on the severity of their condition is required. In this study, we compared the characteristics of dental pain in patients with different conditions using a Short-Form McGill Pain Questionnaire (SF-MPQ). METHODS: A total of 1541 patients admitted to the Peking University School of Stomatology between February 2022 and July 2023 were assessed. Demographic data and pain characteristics were collected. Pain was assessed using the SF-MPQ, which includes the Visual Analogue Scale (VAS), Present Pain Intensity (PPI), and Pain Rating Index (PRI). Statistical analysis was performed using SPSS software, with variance analysis and Pearson's correlation coefficients, and a T-test was employed to assess the relationship between pain scores and various factors. RESULTS: A total of 11 conditions associated with dental pain were detected. Symptomatic irreversible pulpitis (SIP, 427, 27.7%) and symptomatic apical periodontitis (SAP, 429, 27.8%) were the most common conditions. Higher scores were seen in patients with SIP (5.5 ± 2.8 for PRI; 59.4 ± 24.4 for VAS; 2.9 ± 0.8 for PPI), SAP (5.6 ± 2.9 for PRI; 56.1 ± 32.0 for VAS; 2.8 ± 0.7 for PPI) and interappointment flare-up (IFU, 8.2 ± 0.5 for PRI; 56.2 ± 14.9 for VAS; 3.0 ± 0.0 for PPI). The location of pain in a tooth, spontaneous pain, sleep disturbance, duration of pain in a short time, taking painkillers was invalid, diagnosis with SIP and SAP, and IFU were significantly associated with higher pain scores (all P < .05). CONCLUSIONS: Patients with SIP and SAP present with higher pain scores. The SF-MPQ can aid in the effectiveness of dental emergency triage by identifying true acute symptomatic patients and ensuring appropriate management based on the severity of their conditions. CLINICAL RELEVANCE: SF-MPQ may help to increase effectiveness in dental emergency triage, diagnosis, and treatment.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».