Clinical Algorithm for Improved Prediction of Ambulation and Patient Stratification after Incomplete Spinal Cord Injury
Notice bibliographique
Résumé
The extent of ambulatory recovery after motor incomplete spinal cord injury (miSCI) differs considerably amongst affected persons. This makes individual outcome prediction difficult and leads to increased within-group variation in clinical trials. The aims of this study on subjects with miSCI were: (1) to rank the strongest single predictors and predictor combinations of later walking capacity; (2) to develop a reliable algorithm for clinical prediction; and (3) to identify subgroups with only limited recovery of walking function. Correlation and logistic regression analyses were performed on a dataset of 90 subjects with tetra- or paraparesis, recruited in a prospective European multicenter study. Eleven measures obtained in the subacute injury period, including clinical examination, tibial somatosensory evoked potentials (tSSEP), and demographic factors, were related to ambulatory outcome (WISCI II, 6minWT) 6 months after injury. The lower extremity motor score (LEMS) alone and in combination was identified as most predictive for later walking capacity in miSCI. Ambulatory outcome of subjects with tetraparesis was correctly predicted for 92% (WISCI II) or 100% (6minWT) of the cases when LEMS was combined with either tSSEP or the ASIA Impairment Scale, respectively. For individuals with paraparesis, prediction was less distinct, mainly due to low prediction rates for individuals with poor walking outcome. A clinical algorithm was generated that allowed for the identification of a subgroup composed of individuals with tetraparesis and poor ambulatory recovery. These data provide evidence that a combination of predictors enables a reliable prediction of walking function and early patient stratification for clinical trials in miSCI.
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 ».