Analysis of Radiographic Relationship between Distal Radius, Ulna, and Lunate
Notice bibliographique
Résumé
Background Wrist anatomy variability is associated with differing susceptibility to pathology. For example, a flat radial inclination is associated with Kienbock's disease. Lunate facet inclination (LFI) also exhibits variability. Its relationship with other wrist features is poorly documented. Purposes We tested the hypothesis that high LFI is associated with increased uncovering of the lunate, negative ulnar variance (UV), and type 2 lunates to balance forces across wrists. Methods In total, 50 bilateral and 100 unilateral wrist posteroanterior radiographs were reviewed. Lunate type, lunate uncovering index (LUI), lunate tilting angle (LTA), UV, and sigmoid notch angle (SNA) were measured, and correlation with LFI was assessed on 150 right wrist radiographs followed by an assessment of differences based on lunate morphology. Symmetry of 50 bilateral wrists was assessed. Results There was no correlation of LFI with lunate morphology, LUI, and LTA. There was a low correlation of LFI with SNA and UV. There was an inverse relationship between UV and SNA. Wrists with type 2 lunates had more oblique sigmoid notches and higher LTA in comparison to wrists with type 1 lunates. Side-to-side comparison revealed strong correlation except for LUI, which exhibited moderate correlation. Conclusions There is no correlation between LFI, LUI, and lunate morphology. Type 2 lunates are associated with higher LTA and more oblique SNA. Wrists were symmetrical. Clinical Relevance Factors other than lunate morphology are essential in balancing forces across wrists. A better understanding of soft tissue and other factors will improve the understanding of wrist biomechanics and pathology. Contralateral wrist radiographs can guide reconstructive surgery.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| 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 ».