Does moderate or severe nonspecific knee injury affect radiographic osteoarthritis incidence and progression?
Notice bibliographique
Résumé
BACKGROUND: Knee injuries can lead to radiographic osteoarthritis (ROA). Injuries may be "specific" (SI) including ligament or meniscal tears or patellar trauma, or "nonspecific" (NSI). Our objective is to understand the effect of knee NSI on ROA incidence and progression. METHODS: 163 people (sample-weighted for population representativeness) aged 40+ with history of knee pain had radiographs assessed on Kellgren Lawrence (KL) grade (0/1 collapsed) at baseline and follow-up (median 3.2 years apart). Progression was an increase in KL score. SIs and NSIs were labeled "severe" (walking aid for ≥1 week) or "moderate". One model treated SI and NSI as dichotomous (yes/no), and another as trichotomous (none/moderate/severe). Models were adjusted for age, sex, BMI, KL grade and follow-up time. RESULTS: SI/NSI history was none, moderate (7.8/24.4%) or severe (11.0/10.8%). Duration at baseline since SI/NSI ranged from <1 year to several decades (SI/NSI mean 4.6/6.5 years). SI was significantly associated with ROA incidence and progression (odds ratio (OR) = 2.90; 95% CI = 1.04, 8.09), but NSI showed no significant effect (OR = 1.36; 95% CI = 0.61, 3.02). In the trichotomous model, severe SI was significant (OR = 4.35, 95% CI = 1.26, 15.02), while moderate SI was not (OR = 1.51, 95% CI = 0.33, 6.84). NSI showed no effect: moderate OR = 1.51, 95% CI = 0.61, 3.74; severe OR = 0.90, 95% CI = 0.24, 3.40. This study had 80% power to detect an NSI OR of 2.9. CONCLUSION: We find no evidence that history of NSI affects knee ROA incidence and progression in a population with knee pain, adjusting for SI, age, sex, BMI, KL grade and follow-up time.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».