A Retrospective Chart Review of 114 Patients with Knee Pain at a Korean Medicine Hospital Who Had Been Involved in a Traffic Accident
Notice bibliographique
Résumé
Background: This study aimed to investigate the demographic characteristics of patients with knee pain caused by traffic accidents and test the effectiveness of Korean medicine (KM) treatment.Methods: The medical charts of 114 inpatients with knee pain caused by a traffic accident were reviewed from July 1, 2019 to October 31, 2019 at Bucheon Jaseng Hospital of KM. The patients’ demographics including gender, age, period of hospitalization, and type of pharmacopuncture and herbal medicine prescribed were reviewed. The Numeric Rating Scale scores and Western Ontario and McMaster Universities Osteoarthritis Index scores were used to assess subjective knee pain.Results: There were more females (55%) than males in this study. Patients were more likely to be in their 30s (27.2%), be hospitalized for 11-14 days (41.2%), treated with Hwangryunhaedok pharmacopuncture (78.1%), and be prescribed Hwalhyeoljitong decoction (62.3%).The mean Numeric Rating Scale score for patients with knee pain caused by a traffic accident decreased significantly from 4.26 ± 1.39 to 2.53 ± 1.60 (<i>p</i> < 0.001), and the mean Western Ontario and McMaster Universities Osteoarthritis Index score also decreased significantly from 32.72 ± 18.36 to 23.40 ± 15.80 (<i>p</i> < 0.001) following KM treatment.Conclusion: As a result of analyzing 114 hospitalized patients with knee joint pain due to TAs, inpatients were more likely to be female (55%), a patient in their 30s (27.2%), and be a patient hospitalized for 11-14 days (41.2%). KM treatment of traumatic knee injury using pharmacopuncture therapy and herbal medicine can be an may be effective at reducing pain, and healing functional disorders of the knee.
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 | 0,009 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».