MétaCan
Menu
Retour à la cohorte
Enregistrement W1978613432 · doi:10.1055/s-0029-1237693

Imaging of Pediatric Musculoskeletal Infection

2009· review· en· W1978613432 sur OpenAlexaff
Marilyn Ranson

Notice bibliographique

RevueSeminars in Musculoskeletal Radiology · 2009
Typereview
Langueen
DomaineMedicine
ThématiqueOrthopedic Infections and Treatments
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMedicineDiseaseIncidence (geometry)EpidemiologyTuberculosisPediatricsIntensive care medicineImmunologyInternal medicinePathology

Résumé

récupéré en direct d'OpenAlex

Musculoskeletal infections in children present a diagnostic challenge because they are difficult to recognize in the early stages of the disease and can be confused with other pathology such as tumors or trauma. The severity of disease may be associated with the primary tissue of involvement with bone greater than joint, greater than muscle, greater than soft tissue. The incidence of musculoskeletal infection is higher in infants and young children, and risk factors include premature birth, umbilical catheterization, urinary tract infection, immunodeficiency, and other preexisting disease. Neonates are at greater risk for infection with less virulent organisms due to immaturity of the immune system. The epidemiology of musculoskeletal infection is evolving, and the incidence of musculoskeletal infections in children, especially gram-positive infections, are increasing. Staphylococcus aureus continues to be the leading cause of musculoskeletal infection in children, and the emergence of resistant bacteria such as methicillin-resistant S. aureus is associated with a higher rate of complications. Atypical infections such as tuberculosis have also shown resurgence in the last few decades, whereas other infections such as Haemophilus influenzae are much less prevalent due to widespread immunization. Recent advances in earlier diagnosis and treatment help to reduce complications. However, even when musculoskeletal infection is successfully treated, there may be significant long-term effects on growth.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0040,003
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,002

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,345
Écart entre enseignants0,330 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations48
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSeminars in Musculoskeletal RadiologyMême sujetOrthopedic Infections and TreatmentsTravaux en français237 207