Treatment Planning and Fracture Prediction in Patients with Skeletal Metastasis with CT-Based Rigidity Analysis
Notice bibliographique
Résumé
PURPOSE: Pathologic fractures could be prevented if reliable methods of fracture risk assessment were available. A multicenter prospective study was conducted to identify significant predictors of physicians' treatment plan for skeletal metastasis based on clinical fracture risk assessments and the proposed CT-based Rigidity Analysis (CTRA). EXPERIMENTAL DESIGN: Orthopedic oncologists selected a treatment plan for 124 patients with 149 metastatic lesions based on the Mirels method. Then, CTRA was performed, and the results were provided to the physicians, who were asked to reassess their treatment plan. The pre- and post-CTRA treatment plans were compared to identify cases in which the treatment plan was changed based on the CTRA report. Patients were followed for a 4-month period to establish the incidence of pathologic fractures. RESULTS: Pain, lesion type, and lesion size were significant predictors of the pre-CTRA plan. After providing the CTRA results, physicians changed their plan for 36 patients. CTRA results, pain, and primary source of metastasis were significant predictors of the post-CTRA plan. Follow-up of patients who did not undergo fixation resulted in 7 fractures; CTRA predicted these fractures with 100% sensitivity and 90% specificity, whereas the Mirels method was 71% sensitive and 50% specific. CONCLUSIONS: Lesion type and size and pain level influenced the physicians' plans for the management of metastatic lesions. Physicians' treatment plans and fracture risk predictions were significantly influenced by the availability of CTRA results. Due to its high sensitivity and specificity, CTRA could potentially be used as a screening method for pathologic fractures.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».