Validation of a New Tool to Detect and Characterize Spinal Cord Injury in the Acute Trauma Patient: The Montreal Acute Classification of Spinal Cord Injury
Notice bibliographique
Résumé
STUDY DESIGN: Retrospective validation protocol. OBJECTIVE: The International Standards for Neurological Classification of Spinal Cord Injury (ISNCSCI) is the most comprehensive tool for classifying spinal cord injuries (SCI), but it is not adapted for the evaluation of trauma patients. The objective is to develop and validate a streamlined tool, the Montreal Acute Classification of Spinal Cord Injury (MAC-SCI) that can be integrated in the evaluation of trauma patients to detect and characterize traumatic SCI (tSCI). METHODS: The completion rate of the ISCNSCI during initial evaluation after tSCI was estimated at a Level-1 trauma center specialized in SCI care. Using a modified Delphi technique, we designed the MAC-SCI, a new tool to detect and characterize the severity grade and level of SCI in the polytrauma patient. A cohort consisting of 35 consecutive tSCI patients with complete ISNCSCI documentation was used to validate the MAC-SCI. The severity grade and neurological level of injury (NLI) were assessed using the MAC-SCI, and compared to those obtained with the ISNCSCI. RESULTS: Only 33% of 148 patients admitted after a tSCI had a complete ISNCSCI performed at initial presentation. The MAC-SCI retains 53 of the 134 elements from the ISNCSCI. There was a 100% concordance in severity grade between the MAC-SCI and ISNCSCI. The NLI were within 2 levels between the MAC-SCI and ISNCSI for 100% of patients. CONCLUSION: The MAC-SCI is a streamlined tool that accurately detects and characterizes tSCI in the acute trauma setting. It could be implemented in trauma protocols to guide the management of SCI patients. LEVEL OF EVIDENCE: Level III Diagnostic criteria.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,001 |
| 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 ».