Risk Factors for the Development of Persistent Scaphoid Non-Union After Surgery for an Established Non-Union
Notice bibliographique
Résumé
BACKGROUND: Between 2014 and 2020, candidates for scaphoid non-union (SNU) surgery were enrolled in a prospective randomized trial (Scaphoid Nonunion and Low Intensity Pulsed Ultrasound [SNAPU] trial) evaluating the effect of low-intensity pulsed ultrasound on postoperative scaphoid healing. At trial completion, 114/134 (85%) of these patients went on to union, and 20/134 (15%) went on to persistent SNU (PSNU). The purpose of this study was to use this prospectively gathered data to identify patient-, fracture-, and surgery-specific risk factors that may be predictive of PSNU in patients who undergo surgery for SNU. METHODS: . A stepwise multivariable logistic regression model was used to identify independent risk factors for PSNU. RESULTS: Three risk factors were found to be independently significant predictors of PSNU: age at the time of surgery, dominant hand injury, and previous surgery on the affected scaphoid. With every decade of a patient's life, dominant hand injury, and previous scaphoid surgery, the odds of union are reduced by 1.72 times, 7.35 times, and 4.24 times, respectively. CONCLUSION: We identified three independent risk factors for PSNU: age at SNU surgery, dominant hand injury, and previous surgery on the affected scaphoid. The findings of this study are significant and may contribute to shared decision-making and prognostication between the patient, surgeon, and affiliated members of their care team.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| 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 | 0,001 | 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».