Factors affecting successful ultrasound‐guided injection into the podotrochlear bursa using a palmarolateral approach
Notice bibliographique
Résumé
OBJECTIVE: To evaluate potential factors affecting ultrasonographic visibility of the suprasesamoidean region and the success rate of ultrasound-guided injection (USGI) into the podotrochlear bursa (PB). STUDY DESIGN: Ex vivo, experimental study. ANIMALS: 24 cadaveric forelimbs. METHODS: The PB was distended with 0, 1, or 2 ml of iodinated contrast material and saline under radiographic guidance. Ultrasonographic visibility of the suprasesamoidean region and PB was graded before and after distention with the limb loaded in three positions (vertical, cranial and caudal). Two operators with different experience levels performed an USGI into the PB with methylene blue (12 limbs each [four limbs with each of three volumes of PB distension]) using a palmarolateral approach and caudal foot placement. Limbs were frozen and sectioned to assess accuracy. RESULTS: Ultrasonographic visibility scores of the suprasesamoidean region (p = .0081) and PB (p < .0001) were improved using a caudal foot placement. Higher visibility grades of the suprasesamoidean region were associated with higher injection success rate (p = .047). The injection success was 75% (9/12) for the experienced versus 41.6% (5/12) for the less experienced operator (p = .14). PB distension improved visibility during caudal foot placement (p = .013) but not injection success rates (p = .78). CONCLUSION: Caudal foot placement enhances visibility of the PB and suprasesamoidean region. Limbs with poor visibility of the suprasesamoidean region are more likely to undergo a failed USGI. CLINICAL SIGNIFICANCE: The lateral USGI approach should be performed only in cases of optimal visibility. The reported success rates support the technical challenge of PB injections.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».