Digital health tools used to triage musculoskeletal pain in primary, urgent and emergency settings: a scoping review
Notice bibliographique
Résumé
We aim to identify digital health tools that can triage musculoskeletal pain in adults across primary, urgent, or emergency care settings. Musculoskeletal conditions are one of the largest contributors to the global burden of disease. Digital health tools can support triage of non-emergent pain, such as musculoskeletal pain, and help patients and clinicians direct the right care at the right time. The digital health research field is growing rapidly, and a summary of digital tools to triage musculoskeletal pain is needed. This knowledge will guide efforts to help patients and clinicians navigate the health system and potentially decrease the burden of musculoskeletal pain in emergency departments. We will conduct a systematic search of the MEDLINE (OVID), CINAHL (Ebsco), PsycINFO (Ebsco), Embase (OVID), Cochrane Library, Web of Science Core Collection, OpenGrey, GoogleScholar, arXiv.org, and medRxiv.org databases. In addition, targeted searches will be performed to identify grey literature. The review will report information, including but not limited to: demographic characteristics of study and participants, catalogue of digital tools to triage musculoskeletal pain, context of triage tool, and if reported, the development and performance (i.e., accuracy) of the tools.
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 | 0,016 | 0,093 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,006 |
| Bibliométrie | 0,025 | 0,020 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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 ».