The Use of Fuzzy Logic to Select Which Curves Need to be Instrumented and Fused in Adolescent Idiopathic Scoliosis
Notice bibliographique
Résumé
Selection of the appropriate curve fusion levels for surgery in adolescent idiopathic scoliosis (AIS) is a complex and difficult task. Despite numerous publications on this subject, the decision as to which spinal curve, that is proximal thoracic, main thoracic or lumbar, needs to be instrumented and included in the fusion relies mostly on each surgeon's past experience, although recently published data have revealed a high variability of spinal instrumentation configurations among spinal surgeons in AIS. This situation exists because of ambiguity and vagueness in the decision process. Our objective is to capture the proposed rules for the selection of fusion levels and integrate them in a fuzzy logic model to decrease haziness and imprecision in the selection process. Two models have been developed, one for proximal thoracic curves and the other for lumbar curves. These models were constructed using data from a literature review, which allowed the extraction of currently proposed rules and their modeling as inputs in a computer software based on fuzzy logic modeling. Five and four inputs have been respectively chosen for the proximal thoracic and lumbar model. When all input values are entered in the model for a specific subject with AIS, the software calculates the level of suggestion for the indication to perform an instrumentation and fusion of the high thoracic and/or lumbar curves for this particular subject. The usefulness of this approach is demonstrated using illustrative cases. This is the first report on the use of fuzzy logic to assist the decision-making process in the field of spinal deformity surgery and the results suggest that this approach may be useful to facilitate surgical planning in difficult or borderline cases of AIS.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».