Intérêt des registres dans la recherche sur la douleur neuropathique
Bibliographic record
Abstract
Les douleurs neuropathiques sont fréquentes dans la population générale et d’évolution chronique chez 7 à 10 % des adultes. Actuellement, la méthode de référence pour évaluer un traitement correspond aux essais randomisés contrôlés. Néanmoins, de telles études ne peuvent être mises en place que pour des échantillons de population limités et pendant une période déterminée. En outre, certains traitements ne pourront ainsi jamais être comparés directement, faute d’échantillons suffisamment grands et représentatifs. L’utilisation des données réelles de santé pourrait être une façon de surmonter ces difficultés. En effet, l’Association internationale d’étude de la douleur (International Association for the Study of Pain) comprend un groupe d’intérêt spécial axé sur les registres et encourageant l’utilisation de ces approches pour la douleur. Dans cette brève revue narrative, plusieurs des principaux registres de douleur chronique sont répertoriés. Les forces et les faiblesses de cette approche sont présentées. Le biais d’indication est fréquent dans les études observationnelles, car le choix du traitement est généralement influencé par les caractéristiques des patients. Cependant, un score de propension (PS) peut être utilisé pour minimiser l’impact de ces différences. L’utilisation du PS est brièvement expliquée. Certaines données spécifiques aux douleurs neuropathiques sont discutées.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.092 | 0.196 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.006 | 0.007 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.009 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".