Prevalence, Geographic Variations, and Determinants of Pain Among Older Adults in China: Findings from the National Urban and Rural Elderly Population (UREP) Survey
Notice bibliographique
Résumé
Objectives: This study aimed to reveal the prevalence, geographic variations, and determinants of pain among the Chinese older adult population and provide empirical strategies for pain management in older adults in China. Methods: A total of 21,346 Chinese residents aged ≥ 60 years from 31 provinces in mainland China participated in our survey. Standardized questionnaires were used to collect data on socioeconomic characteristics, lifestyle factors, and self-reported pain experiences. Multivariate logistic regression models were used to estimate the associations between individual socioeconomic status, chronic diseases, and pain. Results: The national prevalence of pain was 56.5% (95% CI: 55.9–57.1%), representing approximately 140 million Chinese older adults. The prevalence increased with aging and peaked at 80 years and older (61.00%, 95% CI: 59.30–62.70%). Women (62.36%, 95% CI: 61.47–63.25%), rural residents (61.27%, 95% CI: 60.34–62.20%), and those with no formal education (65.08%, 63.90–66.26%) had a higher prevalence than men (50.27%, 95% CI: 49.32–51.22%), urban residents (52.19%, 95% CI: 51.28–53.10%), and those with higher education levels, respectively. Provincial prevalence ranged from 38.98% in Shanghai to 72.75% in Gansu Province. The presence of chronic diseases significantly increased the odds of pain, with multimorbidity (three or more chronic diseases) showing the strongest association (OR = 11.380, 95% CI: 10.257–12.627). Conclusions and Implications: Pain was highly prevalent among older adults in China and varied geographically. Socioeconomic status, chronic diseases, and multimorbidity were strongly associated with pain prevalence. Our findings support prioritizing the reduction in gender and geographic disparities in China’s pain management strategies. An integrated approach addressing both pain and chronic diseases should be urgently established in China’s healthcare system for older adults.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
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 tête enseignante, 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 ».