Accuracy and Learning Curve of Femoral Tunnel Placement in Medial Patellofemoral Ligament Reconstruction
Notice bibliographique
Résumé
Abstract The purpose of this study was to assess the accuracy of femoral tunnel placement in a medial patellofemoral ligament reconstruction (MPFL-R) cohort. The secondary purpose was to establish the evidence of a learning curve to achieve acceptable femoral tunnel placement during MPFL-R. Two surgeons, using lateral radiographs, assessed 73 subjects post–MPFL-R. Femoral tunnel accuracy and direction of tunnel error were measured in relation to Schöttle's point (A–T distance). Interrater reliability (intraclass correlation coefficient 2,k) of these measures was calculated. Learning curve of accurate femoral tunnel placement was examined by dividing the patient cohort into quartiles. A one-way analysis of variance was used to assess the quartiles for accuracy of femoral tunnel position and surgical time. In relation to Schöttle's point, 66/73 (90.4%) femoral tunnels were categorized as being in a “good” or “excellent” position and 7/73 (9.6%) were categorized as being in a “poor” position. Evidence of an MPFL-R learning curve was established via a statistically significant difference in the mean A to T distance for the four quartiles (F [3, 69] = 6.41, p = 0.001). There was also a statistically significant difference in the surgical time for the four quartiles (F [3, 69] = 8.71, p = 0.001). In this series, accurate femoral tunnels were placed more than 90% of the time during MPFL-R. A clear learning curve for accurate femoral tunnel placement was demonstrated both with respect to distance of the tunnel from Schöttle point and with regard to surgical time. Level of evidence was IV.
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 | 0,002 | 0,000 |
| 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 ».