Review article: Best practice management of common ankle and foot injuries in the emergency department (part 2 of the musculoskeletal injuries rapid review series)
Notice bibliographique
Résumé
Ankle and foot injuries are the most common musculoskeletal injuries presenting to Australian EDs and are associated with a large societal and economic impact. The quality of ED care provided to patients with ankle and foot fractures or soft tissue injuries is critical to ensure the best possible outcomes for the patient. This rapid review investigated best practice for the assessment and management of common ankle and foot injuries in the ED. Databases including PubMed, CINAHL, EMBASE, TRIP and the grey literature, including relevant organisational websites, were searched in 2017. Primary studies, systematic reviews and guidelines were considered for inclusion. English language articles published in the last 12 years that addressed the acute assessment, management or prognosis in the ED were included. Data extraction of included articles was conducted, followed by quality appraisal to rate the level of evidence where possible. The search revealed 1242 articles, of which 71 were included in the review (n = 22 primary articles, n = 35 systematic reviews and n = 14 guidelines). This rapid review provides clinicians managing fractures and soft tissue injuries of the ankle and foot in the ED a summary of the best available evidence to enhance the quality of care for optimal patient outcomes. Following a thorough history and physical examination, including the application of the Ottawa ankle rules, ED clinicians should not only provide a diagnosis, but rate the severity of soft tissue injuries, or stability of fractures and dislocations, which are the pivotal decision points in guiding ED treatment, specialist referral and the follow-up plan.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».