Knee Range of Motion as a Discriminatory Tool Indicating Potential Meniscal Tears
Notice bibliographique
Résumé
BACKGROUND: Primary care physicians often encounter patients with knee pain and are faced with the dilemma of whether to refer patients to a specialist. Meniscal tears are the most common intraarticular knee injury but are challenging to accurately diagnose because of a lack of quantitative, accurate, and easy-to-administer tests. We conducted a retrospective medical record review to evaluate whether measurement of knee range of motion (ROM) via goniometry could discriminate between healthy and meniscus-altered knees. METHODS: A total of 110 adult patients met the inclusion criteria: age ≥18 years; no history of contralateral knee pain, injury, or surgery; ROM data collected using a goniometer on both knees at the time of diagnosis; and a confirmed diagnosis of meniscus tear via magnetic resonance imaging. The following variables were obtained from medical records: age, sex, body mass index (BMI), ROM for both knees, surgical treatment, insurance coverage, Ahlbäck x-ray grades, Western Ontario and McMaster Universities Osteoarthritis Index (WOMAC), and the Oxford Knee Score (OKS). RESULTS: The majority of patients (96.4%) exhibited a ≥10° difference in flexion between asymptomatic and symptomatic knees. No significant relationships were observed between age, BMI, and the decision to undergo surgery and the difference in flexion or extension ROM. Both the WOMAC and the OKS were significantly correlated with the degree of loss of flexion ROM. CONCLUSION: The results suggest that knee flexion ROM may be a valuable tool for determining which patients presenting with new-onset ipsilateral knee pain should be referred to a specialist. Further investigation to determine the reliability and accuracy of knee ROM as a screening measure is warranted.
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) | 0,001 | 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 ».