Rigid versus flexible plate fixation for periprosthetic femoral fracture—Computer modelling of a clinical case
Notice bibliographique
Résumé
A variety of plate designs have been implemented for treatment of periprosthetic femoral fracture (PFF) fixation. Controversy, however, exists with regard to optimum fixation methods using these plates. A clinical case of a PFF fixation (Vancouver type C) was studied where a rigid locking plate fixation was compared with a more flexible non-locking approach. A parametric computational model was developed in order to understand the underlying biomechanics between these two fixations. The model was used to estimate the overall stiffness and fracture movement of the two implemented methods. Further, the differing aspects of plate design and application were incrementally changed in four different models. The clinical case showed that a rigid fixation using a 4.5 mm titanium locking plate with a short bridging length did not promote healing and ultimately failed. In contrast, a flexible fixation using 5.6 mm stainless steel non-locking plate with a larger bridging length promoted healing. The computational results highlighted that changing the bridging length made a more substantial difference to the stiffness and fracture movement than varying other parameters. Further the computational model predicted the failure zone on the locking plate. In summary, rigid fracture fixation in the case of PFF can suppress the fracture movement to a degree that prevents healing and may ultimately fail. The computational approach demonstrated the potential of this technique to compare the stiffness and fracture movement of different fixation constructs in order to determine the optimum fixation method for PFF.
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 ».