Assessing the construct validity of clinical tests to identify sacroiliac joint inflammation in patients with non‐radiographic axial spondyloarthritis
Notice bibliographique
Résumé
AIM: Magnetic resonance imaging (MRI) can be used to identify sacroiliac joint (SIJ) inflammation and provide an earlier diagnosis of nonradiographic axial spondyloarthritis (nrAxSpA). However, MRI is frequently a resource-limited examination. Our aim was to assess if a set of physical clinical tests can identify SIJ inflammation in patients with nrAxSpA. METHODS: Twenty participants with nrAxSpA underwent two functional tests (active straight leg raise, and stork test on the support side) and four pain provocation tests (Gaenslen's, posterior pelvic pain provocation, Patrick's Faber and palpation of the long dorsal SIJ ligament) for the SIJ, and then proceeded to a contemporaneous reference standard MRI. The Spondyloarthritis Research Consortium of Canada scoring system (SPARCC) was used to score MRI. Specificity, sensitivity, and likelihood ratios (LR) were calculated for individual clinical tests, and for the composite of tests. RESULTS: Pain provocation tests were superior to functional tests, which showed poor accuracy. The Patrick's Faber test was the best performing procedure (sensitivity 71%, specificity 75%, positive LR 2.9, negative LR 0.4). When combining the provocation tests, a positive test in one out of two tests demonstrated the strongest predictive value (sensitivity 86%, specificity 62%, positive LR 2.2, negative LR 0.2). CONCLUSIONS: Sacroiliac joint pain provocation tests correlate modestly with inflammation. The Patrick's Faber test showed the greater LR to identify SIJ inflammation in patients with nrAxSpA. SIJ pain provocation tests may offer a simple and cost-effective way of identifying patients with nrAxSpA who are most likely to have MRI evidence of inflammation.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,000 | 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 ».