Additional file 2 of Pain can’t be carved at the joints: defining function-based pain profiles and their relevance to chronic disease management in healthcare delivery design
Notice bibliographique
Résumé
Additional File 2: Supplementary Table 1. Overview of number of participants available for each level of analysis. Supplementary Table 2. Excluded Data Fields. Supplementary Table 3A. UKB Pain Variable Description. Supplementary Table 3B. Pain variable loading, sorted by magnitude and organized by pain profile. Supplementary Table 4. Examples of Recoding to standardize data directionality and scale. Supplementary Table 5A. Schaefer-Yeo Anatomical Labels for 7 and 17-Network Schemes. Supplementary Table 5B. Brain Variable loadings for each pain profile. For each profile, we present magnitudes of brain variable loading, sorted in descending value. Supplementary Table 6. Sex, BMI, and Age are significantly associated with all pain profiles in variable ways. Supplementary Table 7. ATC Categories for all medications included in the UKB. Supplementary Table 8. Coding scheme to translate from the UKB to the IASP nomenclature. Supplementary Table 9. Large-scale association studies reveal strong associations of all pain profiles with medications, diagnoses, and phenotypes from multiple disease categories. Supplementary Table 10. Demographic Information for the large, ~ 500,000 participant cohort and for the 34,337 participant cohort, as used to define the pain profiles.
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 | 0,002 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,692 | 0,134 |
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 ».