Validity of Ottawa Knee Rules at a Teaching Hospital of Eastern Nepal
Notice bibliographique
Résumé
Introduction: Knee injuries are encountered frequently in Orthopedic emergency and Outpatient departments. Radiographs are routinely ordered in them, but not all of them demonstrate clear fractures. The decision for radiography based on subjective evaluation can help to reduce cost, decrease waiting time, and unnecessary radiation exposure. We lack this information in our context. Objective: The objective of this study was to find the validity of the Ottawa knee rule (OKR) in patients presenting with acute knee injuries at a teaching hospital in eastern Nepal. Methodology: A cross-sectional study was conducted from March 2018 to February 2019 including 210 cases of acute knee injuries. The patients were evaluated as per OKR and their X-rays were evaluated too. Collected data were entered in MS Excel and analyzed by SPSS for validity. Results: Out of the total of 210 eligible patients (122 males and 88 females) with a mean age of 43.97 years, the radiography rate was 100% but the yield rate was only 10.5%. Overall 69% of patients presented to the hospital within 24 hours of the injury and direct hit/trauma was the commonest mode of injury. Patella fractures were commonest followed by proximal tibia fractures. There was a high sensitivity of 100% and a specificity of 42.02%. The rule yielded a Positive and Negative Predictive value of 16.79% and 100%, respectively. The OKR, if applied correctly, could result in radiography rate reduction by 37.61%. The Fisher exact test result was significant at p<0.05. Conclusion: OKRs is a valid tool to predict fractures in patients who has a history of acute knee injuries without chances of missing fractures. This rule can reduce unnecessary radiography in our setup as well.
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 | 0,002 | 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 ».