Treatment of Navicular Stress Fractures With an Algorithmic Approach
Notice bibliographique
Résumé
BACKGROUND: Navicular stress fractures are becoming increasingly more common. There is no universal consensus on treatment. We provide an algorithm that we feel will be useful in determining treatment. METHODS: A retrospective study was performed on all patients having operative treatment of navicular stress fractures during a 10-year period. Acute fractures were treated with open reduction internal fixation. Chronic fractures greater than 3 months were treated with open reduction and internal fixation (ORIF) and iliac crest bone grafting. Chronic fractures with evidence of sclerosis, avascular changes, or those who failed previous surgery were treated with ORIF, iliac crest bone grafting, as well as vascular bone grafting. Patients' pain scores were recorded and a return-to-sports scale was used. Radiographic union was compared among the 3 groups using computed tomographic (CT) scans or radiographs. RESULTS: Forty-three patients were identified. Fifteen received ORIF alone, 12 were treated with ORIF and bone graft, and 16 had ORIF with vascularized bone grafting. No difference was found among the median age of the 3 groups. In terms of radiographic healing, 3 patients in the ORIF group received radiographs alone. All other patients had follow-up CT scans. ORIF alone group had 80% union, ORIF with bone graft had 75% union, and ORIF with vascularized bone grafting had 100% union. Return to sports did not show any difference among the 3 groups. CONCLUSION: The algorithm dividing navicular stress fractures into 3 distinct groups with different operative techniques helped us address these difficult cases. Vascularized bone grafting certainly appeared to be beneficial for the more difficult cases. LEVEL OF EVIDENCE: Level IV, case series.
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 | 0,000 |
| 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 ».