Association between Severity of Low Back Pain (LBP) and Magnetic Resonance Imaging Pathologies in Patients with Acute LBP
Notice bibliographique
Résumé
Background and Objectives: Low Back Pain (LBP) is a common health problem that affects people worldwide, and about 15% of Iranians. It imposes high costs to societies and requires great attention. Magnetic Resonance Imaging (MRI) is considered a reliable and accurate diagnostic tool, however some studies have questioned the appropriateness of MRI in LBP. Thus, this study aimed to evaluate the relationship between the intensity of LBP and positive findings in MRI, in patients with acute LBP. Materials and Methods: A cross-sectional study was performed on all patients, who reported less than four weeks of LBP and were referred to the radiology center of Shafa-e-Yahyaeian hospital, ranged from March to July, 2014, to perform MRI. Data collected included demographics and pain characteristics, in addition to an Oswestry Disability Index questionnaire. MRI pathologies were distinguished by two spinal surgeons and one radiologist. Data was analyzed using the SPSS software. Results: A total of 200 patients were enrolled in this study with a mean age of 41.78 years. Nearly half (48%) of the studied patients had positive MRI findings on L4-L5, and NFS and disc bulging (42.5%, and 38%, respectively) were the most common pathologies, while 11.5% of patients had normal MRIs. The mean ODI was highest in patients with vertebral body fracture, and disc herniation and lowest in hemangioma. Conclusion: A noticeable percentage of patients demonstrated a high ODI score, but MRI findings were in significant association with age of patients, indicating that patients with acute LBP do not require MRI immediately. Using the ODI questionnaire can help us towards a better diagnostic approach.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».