Notice bibliographique
Résumé
Purpose: Osteoarthritic (OA) pain is largely considered to be inflammatory pain. However, during the last stage of knee OA, sen-sory nerve fibers in the knee are shown to be significantly damaged when the subchondral bone junction is destroyed, and this can induce neuropathic pain. Several authors have reported that tumor necrosis factor-α (TNFα) in a knee joint plays a crucial role in pain modulation. The purpose of the current study was to evaluate the efficacy of etanercept, a TNFα inhibitor, for pain in knee OA. Materials and Methods: Thirty-nine patients with knee OA and a 2–4 Kellgren-Lawrence grading were evaluated in this prospec-tive study. Patients were divided into two groups; hyaluronic acid (HA) and etanercept injection. All patients received a single in-jection into the knee. Pain scores were evaluated before and 4 weeks after injection using a visual analogue scale (VAS) and the Western Ontario and McMaster Universities Osteoarthritis Index (WOMAC), and they were compared between the groups. Results: Before injection, VAS and WOMAC scores were not significantly different between the groups (p>0.05). Significant pain relief was found in the etanercept group at 1 and 2 weeks by VAS, and at 4 weeks by WOMAC score, compared with the HA group (p<0.05). No adverse events were observed in either group. Conclusion: Direct injection of etanercept into OA knee joints was an effective treatment for pain in moderate and severe OA pa-tients. Furthermore, this finding suggests that TNFα is one factor that induces OA pain. Key Words: Etanercept, knee osteoarthritis, 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 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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,799 | 0,765 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».