Diagnostic Accuracy of the Ottawa Knee Rule to Rule out Knee Fractures Using MRI as Gold Standard
Notice bibliographique
Résumé
ABSTRACT OBJECTIVES This study aimed to determine the diagnostic accuracy of the Ottawa Knee Rule for detecting knee fractures, using magnetic resonance imaging (MRI) as the reference standard. METHODOLOGY This prospective diagnostic accuracy study was conducted at the Department of Emergency Medicine, Lady Reading Hospital, Peshawar, from August 2023 to February 2024. A total of 96 patients with acute knee trauma were included using consecutive non-probability sampling. The Ottawa Knee Rule was applied clinically, followed by MRI evaluation. Diagnostic parameters, including sensitivity, specificity, positive predictive value (PPV), negative predictive value (NPV), likelihood ratios, and 95% confidence intervals (CI), were calculated. RESULTSThe Ottawa Knee Rule demonstrated a sensitivity of 86.1% (95% CI: 71.3-94.2) and specificity of 65.0% (95% CI: 51.5-76.6). The PPV was 59.6% (95% CI: 45.3-72.4), while the NPV was 88.6% (95% CI: 75.4-95.4). The overall diagnostic accuracy was 72.9%. The positive likelihood ratio (LR+) was 2.46, and the negative likelihood ratio (LR−) was 0.21. CONCLUSION The Ottawa Knee Rule demonstrated good sensitivity and moderate specificity; however, its performance was lower than that reported in meta-analyses. It remains a useful rule-out tool; however, findings should be interpreted cautiously due to limitations in MRI-based validation and study design.
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 | 0,005 |
| 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 ».