Patient Subgroups and Predictors of Improvement in Chronic Neuropathic Pain: A Trajectory‐Based Analysis
Notice bibliographique
Résumé
BACKGROUND: There is limited real-world evidence on predictive factors for good outcomes in patients with chronic neuropathic pain (NP) treated in multidisciplinary tertiary care centres. This study aimed to identify subgroups of NP patients with similar pain trajectories and evaluate associated factors. METHODS: We analysed data from 912 patients with chronic NP (age: 53.6 ± 13.3 years; 51.5% female) enrolled in the Quebec Pain Registry, all of whom reported a baseline pain intensity of ≥ 4/10. Patients completed standardised questionnaires prior to treatment initiation, as well as at 6 and 12 months. Pain trajectories were identified using group-based trajectory modelling (GBTM), with multiple imputation performed to address missing data. The results were confirmed using group-mixture modelling on the non-imputed dataset and using GBTM in the subgroup of patients with complete data. RESULTS: A three-class trajectory model best fitted the data for both pain intensity and interference. Only 23.1% of patients showed a clear improvement in pain intensity, while 23.5% showed improvement in pain interference. Key predictors of pain intensity improvement included lower baseline pain intensity and interference. Improvement in pain interference was associated with lower baseline interference and depression scores, as well as shorter pain duration. Notably, receiving a strong opioid significantly increased the risk (RR = 1.45 [1.17; 1.78]) of belonging to the persisting severe pain trajectory. CONCLUSIONS: A minority of chronic NP patients demonstrated significant improvement with multidisciplinary treatment. These findings highlight the limitations of current management strategies and emphasise the need for novel therapeutic approaches to address the burden of chronic NP effectively. SIGNIFICANCE: This study highlights the value of trajectory analysis in identifying subgroups of patients with chronic neuropathic pain (NP) who exhibit different patterns of treatment response. Only a minority of patients-approximately 23% for both pain intensity and pain interference-demonstrated meaningful improvement. Lower baseline pain intensity and interference emerged as key predictors of better outcomes, while strong opioid use was associated with persistent severe pain. These findings underscore the importance of trajectory-based approaches for understanding the course of NP and for guiding more personalised and effective management in multidisciplinary care settings.
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 | 0,006 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».