Using Equipoise to Determine the Radiographic Characteristics Leading to Agreement on Best Treatment for Thoracolumbar Burst Fractures Without Neurologic Deficits
Notice bibliographique
Résumé
Study Design Retrospective analysis of prospectively collected data. Objectives Our goal was to assess radiographic characteristics associated with agreement and disagreement in treatment recommendation in thoracolumbar (TL) burst fractures. Methods A panel of 22 AO Spine Knowledge Forum Trauma experts reviewed 183 cases and were asked to: (1) classify the fracture; (2) assess degree of certainty of PLC disruption; (3) assess degree of comminution; and (4) make a treatment recommendation. Equipoise threshold used was 77% (77:23 distribution of uncertainty or 17 vs 5 experts). Two groups were created: consensus vs equipoise. Results Of the 183 cases reviewed, the experts reached full consensus in only 8 cases (4.4%). Eighty-one cases (44.3%) were included in the agreement group and 102 cases (55.7%) in the equipoise group. A3/A4 fractures were more common in the equipoise group (92.0% vs 83.7%, P < .001). The agreement group had higher degree of certainty of PLC disruption [35.8% (SD 34.2) vs 27.6 (SD 27.3), P < .001] and more common use of the M1 modifier (44.3% vs 38.3%, P < .001). Overall, the degree of comminution was slightly higher in the equipoise group [47.8 (SD 20.5) vs 45.7 (SD 23.4), P < .001]. Conclusions The agreement group had a higher degree of certainty of PLC injury and more common use of M1 modifier (more type B fractures). The equipoise group had more A3/A4 type fractures. Future studies are required to identify the role of comminution in decision making as degree of comminution was slightly higher in the equipoise group.
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 | 0,000 | 0,000 |
| 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 ».