Associations Between Daily Symptoms and Pain Flares in Rheumatoid Arthritis: Case-Crossover mHealth Study
Notice bibliographique
Résumé
Background: Mobile health (mHealth) technologies, such as smartphones and wearables, enable continuous assessments of individual health information. In chronic musculoskeletal conditions, pain flares, defined as periods of increased pain severity, often coincide with worsening disease activity and cause significant impacts on physical and emotional well-being. Using mHealth technologies can provide insights into individual pain patterns and associated factors. Objective: This study aims to characterize pain flares and identify associated factors in rheumatoid arthritis (RA) by (1) describing the frequency and duration of pain flares using progressively stringent definitions based on pain severity, and (2) exploring associations between pain flares and temporal changes in symptoms across emotional, cognitive, and behavioral domains. Methods: Our 30-day mHealth study collected daily pain severity and related symptoms (scores 1-5, higher are worse) via a smartphone app and passively recorded sleep and physical activity via a wrist-worn accelerometer. Pain flares were defined using a 5-point scale: (1) above average (AA): pain severity > personal median, (2) above threshold (AT): pain severity > 3, and (3) move above threshold (MAT): pain severity moves from 1, 2, 3 to 4 or 5. A case-crossover analysis compared within-person variations of daily symptoms across hazard (3 days before a pain flare) and control (3 days not preceding a pain flare) periods using mean and intraindividual standard deviation. Conditional logistic regression estimated the odds ratio (OR) for pain flare occurrence. Results: A total of 195 participants (160/195, 82.1% females; mean age 57.2 years; average years with RA: 11.3) contributed 5290 days of data. Of these, 88.7% (173/195) experienced at least 1 AA flare (median monthly rate 4, IQR 2.1-5). Nearly half experienced at least 1 AT or MAT flare (median monthly rate 2, IQR 1-4). These pain flares lasted 2 days (IQR 2-3) on average across definitions, with some extending up to 12 days. Worsening mood over 3 days was associated with a 2-fold increase in the likelihood of AT flares the following day (OR 2.04, IQR 1.06-3.94; P<.05). Greater variability in anxiety over 3 days increased the likelihood of both AT (OR 1.67, IQR 1.01-2.78; P<.05) and MAT flares (OR 1.82, IQR 1.08-3.07; P<.05). Similarly, greater variability in sleepiness (OR 1.89, IQR 1.03-3.47; P<.05) also increased the likelihood of AT flares. Sedentary time (%) consistently showed almost no influence across all definitions. Similarly, the simplest definition of AA demonstrated no significant associations across all symptoms. Conclusions: Pain flares were commonly observed in RA. Changes in sleep patterns and emotional distress were associated with pain flare occurrences. This analysis demonstrates the potential of daily mHealth data to identify pain flares, opening opportunities for timely monitoring and personalized management.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».