Comparison between transperineal ultrasound and digital detection of levator ani trauma. Can we improve the odds?
Notice bibliographique
Résumé
AIMS: To investigate the predictive ability of four digital assessment parameters to detect levator ani (LA) muscle defects (avulsion injury) and compare these to transperineal tomographic ultrasound images. METHODS: This was an observational study imbedded in a larger quasi-experimental cohort study for women with urinary incontinence. Seventy-two women, ≥ 60 years who had attended or were going to attend physiotherapy for treatment of urinary incontinence, were included in the study. Inclusion criteria from the parent study were symptoms of stress, urge or both types of urinary incontinence. The predictive ability of the following digital parameters: direct palpation of a discontinuity of the LA muscle from insertion on the pubic ramus; palpation of the distance between the muscle insertion sites; palpation of LA strength; palpation of LA tone, were analyzed against findings from tomographic transperineal ultrasound images. Correlation between methods was measured using Cohen's kappa for each of the individual parameters. RESULTS: Seventeen women (24%) presented with a complete or partial avulsion of the puborectalis muscle as diagnosed with tomographic ultrasound imaging. Nine women (13%) had complete avulsions, one of which was bilateral. The predictive ability of the digital assessment parameters varied from poor (k = 0.187, 95% CI [0.02-0.36]) to moderate (k = 0.569, 95% CI [0.31-0.83]). The new parameter of 'width between insertion sites' performed best. CONCLUSIONS: Adding the parameter of "width between insertion sites" appears to enhance our ability to detect avulsion of the levator ani (LA) muscle by digital examination however it does not distinguish between unilateral or bilateral avulsion.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».