Imaging Evaluation for Thoracic Spine Fractures in Pediatric Trauma Patients
Notice bibliographique
Résumé
BACKGROUND: Imaging workup for evaluating thoracic spine fracture (TSF) in pediatric blunt trauma is variable. PURPOSE: The aim of the study was to determine the number of TSFs missed by radiography and identified on computed tomography (CT) or magnetic resonance imaging (MRI) that required intervention or resulted in a change in management. METHODS: A retrospective review of children with TSFs was performed. Diagnostic images and reports for these patients were reviewed. Data regarding demographics, clinical presentation, management, and outcomes were extracted from institutional electronic medical records. Use of radiographs, CT, and MRI for evaluation of TSF was quantified. Incidence of TSFs was calculated and stratified by mechanism. The number of TSFs and complicating factors missed on radiography but identified on subsequent CT or MRI were quantified. RESULTS: Three thousand two hundred sixty-five trauma patients 18 years or younger were reviewed. Of these, 3.3% (90/3265) had TSFs (36 females, 54 males; mean age, 10.80 ± 4.4 years). The most common mechanism of injury was fall (43% [39/90]) followed by motor vehicle collisions (30% [27/90]). The most common fracture was simple compression fracture 64%, which occurred most frequently in the mid thoracic spine, followed by transverse process fractures 19% and spinous process fractures 7%. Almost half of all TSFs diagnosed on CT and/or MRI were missed on initial radiographs. While all fractures that required operative management were identified on radiographs, 13 of the 19 fractures that required nonoperative intervention were missed. CONCLUSIONS: Approximately 50% of TSFs diagnosed on CT or MRI were not identified on preceding radiographs. This is similar to studies in adult populations that show poor sensitivity of radiographs.
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 | 0,001 | 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 ».