Clinical Outcomes After Anterior Cruciate Ligament Injury: Panther Symposium ACL Injury Clinical Outcomes Consensus Group
Notice bibliographique
Résumé
A stringent outcome assessment is a key aspect of establishing evidence-based clinical guidelines for anterior cruciate ligament (ACL) injury treatment. To establish a standardized assessment of clinical outcome after ACL treatment, a consensus meeting including a multidisciplinary group of ACL experts was held at the ACL Consensus Meeting Panther Symposium, Pittsburgh, Pennsylvania, USA, in June 2019. The aim was to establish a consensus on what data should be reported when conducting an ACL outcome study, what specific outcome measurements should be used, and at what follow-up time those outcomes should be assessed. The group reached consensus on 9 statements by using a modified Delphi method. In general, outcomes after ACL treatment can be divided into 4 robust categories: early adverse events, patient-reported outcomes (PROs), ACL graft failure/recurrent ligament disruption, and clinical measures of knee function and structure. A comprehensive assessment after ACL treatment should aim to provide a complete overview of the treatment result, optimally including the various aspects of outcome categories. For most research questions, a minimum follow-up of 2 years with an optimal follow-up rate of 80% is necessary to achieve a comprehensive assessment. This should include clinical examination, any sustained reinjuries, validated knee-specific PROs, and health-related quality of life questionnaires. In the midterm to long-term follow-up, the presence of osteoarthritis should be evaluated. This consensus paper provides practical guidelines for how the aforementioned entities of outcomes should be reported and suggests the preferred tools for a reliable and valid assessment of outcome after ACL treatment.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».