Injuries Associated with Crutch Use: A Narrative Review
Notice bibliographique
Résumé
Crutches are commonly prescribed in physiatric settings to help offload the lower extremities. Crutch use, however, results in abnormal and repetitive weight-bearing through the upper extremities that may result in secondary injury. This narrative review investigates injury types and risk factors associated with crutch use in order to guide healthcare providers on injury prevention strategies. Medline, EMBASE, CINAHL, and the Cochrane Library were systematically reviewed for publications between 1950 and 2018 on neurological, musculoskeletal, or vascular complications associated with crutch use. Titles and abstracts (n = 2395) were screened by two authors. Sixty studies were eligible. Articles were reviewed for level of evidence, crutch type, participant characteristics, and injury characteristics. There were 42 axillary crutch studies, 12 forearm crutch studies, and 6 studies that did not specify crutch type. These studies incorporated 622 individuals, and most were case series or case reports (n = 54). Axillary crutch use was most commonly associated with axillobrachial arterial complications due to pressure from the axillary bar (n = 34). Forearm crutch use was most commonly associated with compressive neuropathies due to pressure from the forearm cuff (n = 6). Improper crutch fitting and/or use were identified as contributing factors to injury in 22 cases. Duration of crutch use and medical comorbidities also influenced the types of injuries seen. There are rare but potentially serious complications associated with crutch use. When prescribing crutches, clinicians should ensure they are properly fit, engage in appropriate gait training, be aware of common crutch-related injuries, and consider potential patient-specific injury risk factors in order to minimize injury risk.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».