Agreement Between Orthopedic Surgeons and Neurosurgeons Regarding a New Algorithm for the Treatment of Thoracolumbar Injuries
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Considerable variability exists in the management of thoracolumbar (TL) spine injuries. Although there are many influences, one significant factor may be the treating surgeon's specialty and training (ie, orthopedic surgery vs. neurosurgery). Our objective was to assess the agreement between spinal orthopedic and neurologic surgeons in rating the severity of TL spine injuries with a new treatment algorithm. This information could be important in establishing consensus-based protocols for managing these challenging injuries. METHODS: Twenty-eight spinal surgeons (8 neurosurgeons and 20 orthopedic surgeons) reviewed 56 TL injury case histories. Each case was classified and scored according to the TL injury severity score (TLISS). The case histories were reordered and the physicians repeated the exercise 3 months later. At both intervals the surgeons were asked if they agreed with the final treatment recommendation of the TLISS algorithm. The reliability and decision validity of the TLISS was compared. RESULTS: Between-group interrater reliability was similar to within group reliabilities. Intrarater reliability was also similar between groups. The between speciality interrater reliability of the TLISS management recommendation was moderate (74% agreement, kappa=0.532). Orthopedic and neurosurgeons agreed with the TLISS management recommendation 91.4% and 94.4% of the time, respectively. CONCLUSIONS: The TLISS demonstrated good reliability in terms of intraobserver and interobserver agreement on the algorithmic treatment recommendations. The recommendation for operation seems to be consistent between fellowship-trained orthopedic and neurosurgical spine surgeons. This type of classification system may reduce the existing variability and initial management decision for treatment of TL injuries.
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.
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 | 0,000 |
| 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 découle