Geriatric clinical screening tool for cervical spine injury after ground-level falls
Notice bibliographique
Résumé
BACKGROUND: A consistent approach to cervical spine injury (CSI) clearance for patients 65 and older remains a challenge. Clinical clearance algorithms like the National Emergency X-Radiography Utilisation Study (NEXUS) criteria have variable accuracy and the Canadian C-spine rule excludes older patients. Routine CT of the cervical spine is performed to rule out CSI but at an increased cost and low yield. Herein, we aimed to identify predictive clinical variables to selectively screen older patients for CSI. METHODS: The University of Iowa's trauma registry was interrogated to retrospectively identify all patients 65 years and older who presented with trauma from a ground-level fall from January 2012 to July 2017. The relationship between predictive variables (demographics, NEXUS criteria and distracting injuries) and presence of CSI was examined using the generalised linear modelling (GLM) framework. A training set was used to build the statistical models to identify clinical variables that can be used to predict CSI and a validation set was used to assess the reliability and consistency of the model coefficients estimated from the training set. RESULTS: Overall, 2312 patients ≥65 admitted for ground-level falls were identified; 253 (10.9%) patients had a CSI. Using the GLM framework, the best predictive model for CSI included midline tenderness, focal neurological deficit and signs of trauma to the head/face, with midline tenderness highly predictive of CSI (OR=22.961 (15.178-34.737); p<0.001). The negative predictive value (NPV) for this model was 95.1% (93.9%-96.3%). In the absence of midline tenderness, the best model included focal neurological deficit (OR=2.601 (1.340-5.049); p=0.005) and signs of trauma to the head/face (OR=3.024 (1.898-4.815); p<0.001). The NPV was 94.3% (93.1%-95.5%). CONCLUSION: Midline tenderness, focal neurological deficit and signs of trauma to the head/face were significant in this older population. The absence of all three variables indicates lower likelihood of CSI for patients≥65. Future observational studies are warranted to prospectively validate this model.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».