Neuromuscular Ultrasound: Clinical Applications and Diagnostic Values
Notice bibliographique
Résumé
Advances in high-resolution ultrasound have provided clinicians with unique opportunities to study diseases of the peripheral nervous system. Ultrasound complements the clinical and electrophysiology exam by showing the degree of abnormalities in myopathies, as well as spontaneous muscle activities in motor neuron diseases and other disorders. In experienced hands, ultrasound is more sensitive than MRI in detecting peripheral nerve pathologies. It can also guide needle placement for electromyography exam, therapeutic injections, and muscle biopsy. Ultrasound enhances the ability to detect carpal tunnel syndrome and other focal nerve entrapment, as well as pathological nerve enlargements in genetic and acquired neuropathies. Furthermore, ultrasound can potentially be used as a biomarker for muscular dystrophy and spinal muscular atrophy. The combination of electromyography and ultrasound can increase the diagnostic certainty of amyotrophic lateral sclerosis, aid in the localization of brachial plexus or peripheral nerve trauma and allow for surveillance of nerve tumor progression in neurofibromatosis. Potential limitations of ultrasound include an inability to image deeper structures, with lower sensitivities in detecting neuromuscular diseases in young children and those with mitochondrial myopathies, due to subtle changes or early phase of the disease. As well, its utility in detecting critical illness neuromyopathy remains unclear. This review will focus on the clinical applications of neuromuscular ultrasound. The diagnostic values of ultrasound for screening of myopathies, neuropathies, and motor neuron diseases will be presented.
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 | 0,010 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,017 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».