Are Magnetic Resonance Imaging Technologies Crucial to Our Understanding of Spinal Conditions?
Notice bibliographique
Résumé
Synopsis Persistent spinal (traumatic and nontraumatic) pain is common and contributes to high societal and personal costs globally. There is an acknowledged urgency for new and interdisciplinary approaches to the condition, and soft tissues, including skeletal muscles, the spinal cord, and the brain, are rightly receiving increased attention as important biological contributors. In reaction to the recent suspicion and questioned value of imaging-based findings, this paper serves to recognize the promise that the technological evolution of imaging techniques, and particularly magnetic resonance imaging, is allowing in characterizing previously less visible morphology. We emphasize the value of quantification and data analysis of several contributors in the biopsychosocial model for understanding spinal pain. Further, we highlight emerging evidence regarding the pathobiology of changes to muscle composition (eg, atrophy, fatty infiltration), as well as advancements in neuroimaging and musculoskeletal imaging techniques (eg, fat-water imaging, functional magnetic resonance imaging, diffusion imaging, magnetization transfer imaging) for these important soft tissues. These noninvasive and objective data sources may complement known prognostic factors of poor recovery, patient self-report, diagnostic tests, and the “-omics” fields. When combined, advanced “big-data” analyses may assist in identifying associations previously not considered. Our clinical commentary is supported by empirical findings that may orient future efforts toward collaborative conversation, hypothesis generation, interdisciplinary research, and translation across a number of health fields. Our emphasis is that magnetic resonance imaging technologies and research are crucial to the advancement of our understanding of the complexities of spinal conditions. J Orthop Sports Phys Ther 2019;49(5):320–329. Epub 26 Mar 2019. doi:10.2519/jospt.2019.8793
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,078 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,008 |
| Communication savante | 0,005 | 0,008 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,014 | 0,027 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».