How sensitive and specific are MRI features of sacroiliitis for diagnosis of spondyloarthritis
Notice bibliographique
Résumé
OBJECTIVE: To determine the sensitivity and specificity of MRI features of sacroiliitis in spondyloarthritis (SpA). MATERIALS AND METHODS: A retrospective study reviewed MRI of the sacroiliac (SI) joints in 517 patients with inflammatory back pain. Sensitivity, specificity, positive and negative likelihood ratios of active and structural lesions of sacroiliitis with final clinical diagnosis as golden standard was calculated. RESULTS: MRI showed active inflammation in 42% of patients (bone marrow oedema (BMO) (41.5%), capsulitis (3.3%), enthesitis (2.5%)) and structural changes in 48.8% of patients (erosion (25%), fat infiltration (31.6%), sclerosis (32%) and ankylosis (7.6%)). BMO was the MRI feature with the highest sensitivity (65.1%) for diagnosis of SpA. Capsulitis (99%), enthesitis (98.4%), ankylosis (97.4%) and erosion (94.8%) had a high specificity for diagnosis of SpA, whereas BMO (74.3%), sclerosis (75.8%) and fat infiltration (84.0%) were less specific. BMO concomitant with enthesitis, capsulitis or erosions increased the specificity. Concomitant presence of BMO and sclerosis or fat infiltration decreased the specificity. CONCLUSION: BMO is moderately sensitive and specific for diagnosis of SpA in patients with inflammatory back pain. BMO concomitant with enthesitis, capsulitis, ankylosis or erosion increases the specificity. Concomitant fat infiltration or sclerosis decreases the specificity for diagnosis of SpA. Of all lesions, erosion had by far the highest positive likelihood ratio for diagnosis of SpA.
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 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».