MétaCan
Menu
Retour à la cohorte
Enregistrement W4388832982 · doi:10.3389/fresc.2023.1267433

Assessment, patient selection, and rehabilitation of nerve transfers

2023· review· en· W4388832982 sur OpenAlexaff
Emma A. Bateman, Juliana Larocerie‐Salgado, Douglas C. Ross, Thomas A. Miller, Stahs Pripotnev

Notice bibliographique

RevueFrontiers in Rehabilitation Sciences · 2023
Typereview
Langueen
DomaineMedicine
ThématiqueNerve Injury and Rehabilitation
Établissements canadiensSt Joseph's Health CareParkwood InstituteWestern University
Organismes subventionnairesnon disponible
Mots-clésReinnervationMedicinePeripheral nerve injuryDenervationRehabilitationNerve injuryPhysical medicine and rehabilitationEpineurial repairMotor nerveSpinal cord injuryPeripheral nerveAnesthesiaSpinal cordSurgeryPhysical therapyAnatomy

Résumé

récupéré en direct d'OpenAlex

Peripheral nerve injuries are common and can have a devastating effect on physical, psychological, and socioeconomic wellbeing. Peripheral nerve transfers have become the standard of care for many types of peripheral nerve injury due to their superior outcomes relative to conventional techniques. As the indications for, and use of, nerve transfers expand, the importance of pre-operative assessment and post-operative optimization increases. There are two principal advantages of nerve transfers: (1) their ability to shorten the time to reinnervation of muscles undergoing denervation because of peripheral nerve injury; and (2) their specificity in ensuring proximal motor and sensory axons are directed towards appropriate motor and sensory targets. Compared to conventional nerve grafting, nerve transfers offer opportunities to reinnervate muscles affected by cervical spinal cord injury and to augment natural reinnervation potential for very proximal injuries. This article provides a narrative review of the current scientific knowledge and clinical understanding of nerve transfers including peripheral nerve injury assessment and pre- and post-operative electrodiagnostic testing, adjuvant therapies, and post-operative rehabilitation for optimizing nerve transfer outcomes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,920
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,380
Écart entre enseignants0,345 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeAutre devis
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in Rehabilitation SciencesMême sujetNerve Injury and RehabilitationTravaux en français237 207