What Factors Influence Surgeons in Decision-Making in Thoracolumbar Burst Fractures? A Survey-Based Investigation of a Panel of Spine Surgery Experts
Notice bibliographique
Résumé
STUDY DESIGN: Cross-sectional survey study. OBJECTIVE: To investigate factors affecting decision-making in thoracolumbar burst-fractures without neurologic deficit. METHODS: A 40-question survey addressing expert-related, economic, and radiological factors was distributed to 30 international trauma experts. Descriptive statistics were used to assess the impact of these factors on operative or non-operative management preferences. RESULTS: Out of 30 experts, 27 completed the survey. The majority of respondents worked at level 1 trauma centers (81.5%) within university settings (77.8%). They were primarily orthopedic surgeons (66.7%) and had over 10 years of experience (70.4%). About 81% found distinguishing between A3 and A4 fractures relevant for decision-making. Most experts (59%) treated A3 fractures non-surgically, while only 30% treated A4 fractures conservatively. Compensation systems did not influence treatment recommendations, and hospital measures promoting surgeries did not significantly affect distribution. Radiological factors, such as local kyphosis (25/27), fracture comminution (23/27), overall sagittal balance (21/27), and spinal canal narrowing (20/27), influenced decisions. CONCLUSION: Incomplete burst fractures (A3) are predominantly treated non-surgically, while complete burst fractures (A4) are primarily treated surgically. Compensation, third-party incentives, and outpatient care did not significantly impact decision-making. Radiological factors beyond the AO Spine thoracolumbar classification system seem to be essential and warrant further evaluation.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,002 |
| 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 ».