The development and validation of a multivariable model to predict whether patients referred for total knee replacement are suitable surgical candidates at the time of initial consultation
Notice bibliographique
Résumé
BACKGROUND: In previous studies, 50%-70% of patients referred to orthopedic surgeons for total knee replacement (TKR) were not surgical candidates at the time of initial assessment. The purpose of our study was to identify and cross-validate patient self-reported predictors of suitability for TKR and to determine the clinical utility of a predictive model to guide the timing and appropriateness of referral to a surgeon. METHODS: We assessed pre-consultation patient data as well as the surgeon's findings and post-consultation recommendations. We used multivariate logistic regression to detect self-reported items that could identify suitable surgical candidates. RESULTS: Patients' willingness to undergo surgery, higher rating of pain, greater physical function, previous intra-articular injections and patient age were the factors predictive of patients being offered and electing to undergo TKR. CONCLUSION: The application of the model developed in our study would effectively reduce the proportion of nonsurgical referrals by 25%, while identifying the vast majority of surgical candidates (> 90%). Using patient-reported information, we can correctly predict the outcome of specialist consultation for TKR in 70% of cases. To reduce long waits for first consultation with a surgeon, it may be possible to use these items to educate and guide referring clinicians and patients to understand when specialist consultation is the next step in managing the patient with severe osteoarthritis of the knee.
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 | 0,002 |
| 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 ».