Nonunion Risk Assessment in Foot and Ankle Surgery
Notice bibliographique
Résumé
BACKGROUND: Nonunion risk factor identification and modification are subjective. We describe and validate a predictive nonunion risk factor model to identify foot and ankle operative patients at risk for nonunion. MATERIALS AND METHODS: One hundred international experts in foot and ankle surgery were surveyed. Nineteen nonunion risk factors were stratified into 3 categories: more significant than, as significant as, and less significant than smoking 1 pack per day. A nonunion risk assessment model was developed by assigning a weighted score to each risk factor, based on its mean score from the survey. A total nonunion risk (TNR) score was calculated for individual patients. It was retrospectively validated in 2 patient cohorts from a single center's prospectively collected end-stage ankle arthritis patient database: 22 cases of ankle and/or hindfoot fusion nonunion and 40 sex- and procedure-matched controls with bony fusion. Analyses included descriptive statistics, logistic regression, and univariate and multivariate linear regression models. RESULTS: The mean TNR score was 6.6 ± 5.6 in controls and 13.5 ± 8.2 in the nonunion group (P < .001). Data showed excellent intraobserver and interobserver correlation coefficients. In a logistic regression model, the risk of nonunion exceeded 9% with a TNR score greater than or equal to 10. Multivariate linear regression analysis, adjusted for age and sex, suggested that lack of fusion site stability and obesity (body mass index greater than 30) were significantly predictive of nonunion. CONCLUSION: The nonunion risk assessment model provides a reliable, sensitive, and specific method for predicting nonunion based on objective patient assessment. Orthopaedic patients at risk for nonunion could benefit from targeted intervention. LEVEL OF EVIDENCE: Level IV, retrospective observational study.
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) | 0,000 | 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 ».