A more accurate method to determine the magnification of radiographs when templating for hip arthroplasty?
Notice bibliographique
Résumé
The use of digital templating for Total Hip Arthroplasty (THA) is now the standard approach for pre-operative planning. Digital templating holds potential to reduce operative time and post-op complications however, this often relies on imprecise assumptions. The relationship between the X-ray source, subject and detector alters the perceived magnification. We therefore determine if Body Mass Index (BMI) is positively correlated with true magnification and if a predictive model based these parameters exists. A single surgeon series (n=107) was included in this study. Two independent observers assessed both pre- and post-operative AP pelvis radiographs using TraumaCad™. Post-operative radiographs were assessed to calculate the true magnification by calibrating from a known femoral head prosthesis size. Finally, a scatter plot with regression was used to determine if a predictive model of magnification existed using the Body Mass Index. The mean pre-operative magnification using a scaling marker was 124.2 ± 8.90%. The mean post-operative magnification using a known femoral head prosthesis size (true magnification) was 123.7 ± 3.98%. Significant variability exists in pre-operative marker data. Regression modelling showed no significant correlation between BMI and true magnification (post-op magnification). This study’s suggests that the precision and reliability of the radiographic marker in daily practice is poor. Regression modelling showed no significant correlation between BMI and the true magnification factor. Therefore, a pre-op predictive model cannot be reliably used. The data from this study suggest that a fixed magnification factor of 124% remains the most reliable and accurate method.
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) | 0,000 | 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 ».