NOCICEPTIVE AND NEUROPATHIC PAIN IN PATIENTS WITH LUNG CANCER: A COMPARISON OF PAIN QUALITY DESCRIPTORS
Notice bibliographique
Résumé
Predictive validity of each word from the McGill Pain Questionnaire (MPQ) has not been investigated independent of pain etiology. The purpose of this study was to explore differences in the words used to describe nociceptive and neuropathic pain. Patients with lung cancer (N = 123) selected words from the 78 MPQ pain quality descriptors and indicated the corresponding pain site for each word. Using only the MPQ pain location and the disease and treatment data abstracted from medical records, each pain site was classified as nociceptive, neuropathic (etiology). Pain etiology and quality descriptors were tested for proportional differences. Of the 457 pain sites, 343 were classified as nociceptive (75%), 114 as neuropathic (25%). Lacerating, stinging, terrifying and suffocating were selected for a significantly larger proportion of nociceptive sites whereas throbbing, aching, numb, tender, punishing, pulling, tugging, pricking, punishing, miserable, and nagging were selected for a larger proportion of neuropathic sites. Interestingly, several pain quality descriptors (burning, shooting, flashing, tingling, itching, and cold) previously associated with neuropathic pain did not distinguish between neuropathic and nociceptive pain etiologies in this lung cancer sample. Infrequent selection of most MPQ words and lack of neurological exam data in the categorizing scheme are possible explanation for inconsistency with previous literature. Prospective investigations are needed to validate pain quality descriptors for nociceptive and neuropathic types of pain.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».