Diagnostic Criteria for Small Fiber Neuropathy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVES: Despite its relative common occurrence, definitive diagnosis of small fiber neuropathy (SFN) remains problematic. In practice, patients with pain, numbness, and/or paresthesias in their lower limbs are diagnosed with SFN if found to have dissociated sensory loss in their feet, that is, impaired pinprick perception (PP) but relatively preserved vibration. We sought to assess the sensitivity and specificity of clinical examination and various diagnostic tools available for screening SFN. METHODS: Medical records of 56 patients diagnosed with SFN were reviewed. Diagnosis was based on symptoms, detailed neurological examination that included PP, and abnormal results on at least one testing modality-quantitative sudomotor axon reflex (sweat) test (QSART), quantitative sensory testing (QST), and heart rate variability (HRV) testing. RESULTS: Sensitivity of PP was relatively consistent between modalities of about 63% in presence of appropriate sensory symptoms. Laboratory testing diagnosed 88% of patients when both QSART and QST are employed. QST was most sensitive for detection of SFN with the heat-pain testing having higher sensitivity than cooling. Heart rate variability testing revealed low correlation across all groups. CONCLUSIONS: The diagnostic yield for SFN increases by combining clinical features with various testing modalities. In symptomatic patients, we propose the following diagnostic criteria for diagnosis of SFN: Definite SFN-abnormal neurological examination and both QSART and QST; Probable SFN-abnormal neurological examination, and either QSART or QST; Possible SFN-abnormal neurological exam, QSART, or QST.
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.
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 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| 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 découle