MétaCan
Menu
Retour à la cohorte
Enregistrement W2554973609 · doi:10.1213/ane.0000000000001503

Diagnostic Accuracy of Neuromonitoring for Identification of New Neurologic Deficits in Pediatric Spinal Fusion Surgery

2016· article· en· W2554973609 sur OpenAlexaff
Victor M. Neira, Kamyar Ghaffari, Srinivas Bulusu, Paul J. Moroz, James Jarvis, Nicholas Barrowman, William M. Splinter

Notice bibliographique

RevueAnesthesia & Analgesia · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueIntraoperative Neuromonitoring and Anesthetic Effects
Établissements canadiensChildren's Hospital of Eastern Ontario
Organismes subventionnairesnon disponible
Mots-clésMedicineIntraoperative neurophysiological monitoringConfidence intervalModalitiesSomatosensory evoked potentialPsychological interventionIncidence (geometry)AnesthesiaSpinal fusionSurgeryInternal medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Intraoperative neuromonitoring (IONM) modalities, transcranial motor-evoked potentials (TcMEPs), and somatosensory-evoked potentials (SSEPs) are accepted methods to identify impending spinal cord injury during spinal fusion surgery. Debate exists over sensitivity and specificity of these modalities. Our purpose was to measure the incidence of new neurologic deficits (NNDs) and estimate sensitivity and specificity of IONM modalities. METHODS: Institutional Ethics Board approval was obtained to review charts of patients younger than 22 years undergoing scoliosis surgery from 2007 to 2014 retrospectively. The definition of true-positive patients included two subgroups: (1) patients with an IONM alert, which did not resolve despite the interventions and had a NND postoperatively; or (2) patients with an IONM alert triggering interventions and the alert resolved with no NND postoperatively. Subgroup 2 of the definition is debatable; thus, we performed a multiple sensitivity analysis with three assumptions. Assumption 1: without interventions, all such patients would have experienced NNDs (assumption used in previous studies); Assumption 2: without intervention, half of these patients would have experienced NNDs; Assumption 3: without intervention, none of these of patients would have experienced NNDs. RESULTS: We included 296 patients. Patients with incomplete charts (n = 3), no IONM monitoring (n = 11), and inadequate baseline IONM (n = 7) were excluded. The incidence of NND was 3.7% (95% confidence interval, 2.1%-6.5%). Successful IONM in at least one modality was obtained in 275 patients (92.9%), of whom 268 (97.5%) and 259 (94.2%) had successful baseline TcMEP or SSEP signals, respectively. Fifty-one (17%) patients had IONM alerts, 41 were only TcMEP, 5 were only SSEP, and 5 were in both modalities. After interventions, 42 (82%) patients recovered, 41 had no NND (true-positive under Assumption (1), but one developed a NND (false-negative). Of the 9 patients with no alert recovery, 6 had a NND (true-positive) and 3 did not (false-positives). Of the remaining 224 patients with no alerts, 221 had no NND (true-negatives) and 3 did (false-negatives). Sensitivity was estimated to be 93.5%, 92.2%, and 46.7% for TcMEPs, combination (either TcMEPs or SSEPs), and SSEPs, respectively. Multiple sensitivity analysis demonstrated that sensitivity and specificity vary markedly with different assumptions. CONCLUSION: TcMEPs are more sensitive than SSEP at detecting an impending NND. IONM modalities are highly specific. Both sensitivity and specificity are impacted substantially by assumptions of the impact of interventions on alerts and NND. Properly designed, controlled, multicenter studies are required to establish diagnostic accuracy of IONM in scoliosis surgery.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,049
Score d'incertitude au seuil0,574

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,030
Tête enseignante GPT0,296
Écart entre enseignants0,265 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations31
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnesthesia & AnalgesiaMême sujetIntraoperative Neuromonitoring and Anesthetic EffectsTravaux en français237 207