Orthopaedic registries with patient-reported outcome measures
Notice bibliographique
Résumé
Abstract Total joint arthroplasty is performed to decreased pain, restore function and productivity and improve quality of life. One-year implant survivorship following surgery is nearly 100%; however, self-reported satisfaction is 80% after total knee arthroplasty and 90% after total hip arthroplasty. Patient-reported outcomes (PROs) are produced by patients reporting on their own health status directly without interpretation from a surgeon or other medical professional; a PRO measure (PROM) is a tool, often a questionnaire, that measures different aspects of patient-related outcomes. Generic PROs are related to a patient’s general health and quality of life, whereas a specific PRO is focused on a particular disease, symptom or anatomical region. While revision surgery is the traditional endpoint of registries, it is blunt and likely insufficient as a measure of success; PROMs address this shortcoming by expanding beyond survival and measuring outcomes that are relevant to patients – relief of pain, restoration of function and improvement in quality of life. PROMs are increasing in use in many national and regional orthopaedic arthroplasty registries. PROMs data can provide important information on value-based care, support quality assurance and improvement initiatives, help refine surgical indications and may improve shared decision-making and surgical timing. There are several practical considerations that need to be considered when implementing PROMs collection, as the undertaking itself may be expensive, a burden to the patient, as well as being time and labour intensive. Cite this article: EFORT Open Rev 2019;4 DOI: 10.1302/2058-5241.4.180080
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».