¿Es posible medir el dolor de nuestros pacientes?
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
El objetivo de este estudio es describir y discutir los principales instrumentos para evaluar el dolor musculoesquelético crónico y sus síntomas y síndromes asociados. El tratamiento de pacientes con dolor crónico, independientemente de la enfermedad de base, impone desafíos inherentes a la multidimensionalidad. Uno de los principales es cómo medir el resultado de las intervenciones. Las formas más comunes de medición son las escalas analógicas. Se consideran unidimensionales porque evalúan solo la intensidad del dolor sin considerar otros aspectos clínicos. El uso de cuestionarios con escalas multidimensionales tiene la ventaja de captar no solo la intensidad del dolor, sino también otros fenómenos que lo acompañan, como el grado de incapacidad, aspectos emocionales e impactos sociales y ocupacionales. En cuanto a los instrumentos multidimensionales para la evaluación del dolor, citamos el Inventario Breve de Dolor y el Cuestionario de Evaluación del Dolor de McGill. Otros instrumentos multidimensionales incluyen: Clinically Aligned Pain Assessment (CAPA) Tool, Defense and Veterans Pain Rating Scale, Geriatric Pain Measure, Pain Impact Questionnaire (PIQ-6), Pain Monitor y ShortForm-36 Bodily Pain Scale (SF-36 BPS). Respecto a los cuestionarios más específicos, existen el Cuestionario de Impacto de la Fibromialgia, la Escala Fibromiálgica y el Inventario de Sensibilización Central. Entre los síntomas que con más frecuencia acompañan al dolor crónico, destacan la fatiga y los trastornos del sueño. Estos cuentan con cuestionarios específicos para su evaluación, además de formar parte de instrumentos más genéricos. En conclusión, la búsqueda de una métrica simple y aplicable para el dolor crónico aún está lejos de alcanzarse.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.001 |
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 it