Turning Patients’ Open-Ended Narratives of Chronic Pain Into Quantitative Measures: Natural Language Processing Study
Notice bibliographique
Résumé
BACKGROUND: Subjective report of pain remains the gold standard for assessing symptoms in patients with chronic pain and their response to analgesics. This subjectivity underscores the importance of understanding patients' personal narratives, as they offer an accurate representation of the illness experience. OBJECTIVE: In this pilot study involving 20 patients with chronic low back pain (CLBP), we applied emerging tools from natural language processing (NLP) to derive quantitative measures that captured patients' pain narratives. METHODS: Patients' narratives were collected during recorded semistructured interviews in which they spoke about their lives in general and their experiences with CLBP. Given that NLP is a novel approach in this field, our goal was to demonstrate its ability to extract measures that relate to commonly used tools, such as validated pain questionnaires and rating scales, including the numerical rating scale and visual analog scale. RESULTS: First, we showed that patients' utterances were significantly closer in semantic space to anchor sentences derived from validated pain questionnaires than to their antithetical counterparts. Furthermore, we found that the semantic distances between patients' utterances and anchor sentences related to quality of life were strongly correlated with reported CLBP intensity on the numerical rating and visual analog scales. Consistently, we observed significant differences between individuals with low and high pain levels. CONCLUSIONS: Although our small sample size limits the generalizability of these findings, the results provide preliminary evidence that NLP can be used to quantify the subjective experience of chronic pain and may hold promise for clinical applications.
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 | 0,009 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 ».