Application of AOSpine Subaxial Cervical Spine Injury Classification in Simple and Complex Cases
Notice bibliographique
Résumé
INTRODUCTION: Cervical spine injury classification systems should be simple, easy to relate and remember, reliable guide for surgical planning, and predictor of outcome in clinical settings. We investigated whether the AOSpine subaxial cervical spine classification system predicted injury severity and neurologic outcome. MATERIAL AND METHODS: We analyzed the relevant clinical, imaging, management, and American Spinal Injury Association (ASIA) impairment scale (AIS) grade conversion of 92 AIS grades A-C patients with cervical spine injury. We correlated morphology class with age, injury severity score (ISS), follow-up ASIA motor score (AMS), intramedullary lesion length (IMLL), and AIS grade conversion at 6 months after injury. RESULTS: The mean age of patients was 39.3 years, 83 were men, and 69 were injured during an automobile accident or after a fall. The AOSpine class was A4 in 8, B2 in 5, B2A4 in 16, B3 in 19, and C in 44 patients. The mean ISS was 29.7 and AMS was 17.1. AIS grade was A in 48, B in 25, and C in 19 patients. Mean IMLL on postoperative magnetic resonance imaging was 72 mm: A4 = 68.1; B2A4 = 86.5; B2 = 59.3; B3 = 46.8; and C = 79.9. At a mean follow-up of 6 months, the mean AMS was 39.6. Compared to patients with class B3 injuries, those with class C injuries were significantly younger (P < 0.0001), had longer IMLL (P < 0.002), and were less likely to have AIS grade conversion to a better grade (P < 0.02). CONCLUSIONS: The AOSpine subaxial cervical spine injury classification system successfully predicted injury severity (longer IMLL) and chances of neurologic recovery (AIS grade conversion) across different class subtypes.
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) | 0,000 | 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 ».