Interobserver Reliability in the Classification of Thoracolumbar Fractures Using the AO Spine TL Injury Classification System Among 22 Clinical Experts in Spine Trauma Care
Notice bibliographique
Résumé
Study Design Reliability study utilizing 183 injury CT scans by 22 spine trauma experts with assessment of radiographic features, classification of injuries and treatment recommendations. Objectives To assess the reliability of the AOSpine TL Injury Classification System (TLICS) including the categories within the classification and the M1 modifier. Methods Kappa and Intraclass correlation coefficients were produced. Associations of various imaging characteristics (comminution, PLC status) and treatment recommendations were analyzed through regression analysis. Multivariable logistic regression modeling was used for making predictive algorithms. Results Reliability of the AO Spine TLICS at differentiating A3 and A4 injuries (N = 71) (K = .466; 95% CI .458 – .474; P < .001) demonstrated moderate agreement. Similarly, the average intraclass correlation coefficient (ICC) amongst A3 and A4 injuries was excellent (ICC = .934; 95% CI .919 – .947; P < .001) and the ICC between individual measures was moderate (ICC = .403; 95% CI .351 – .461; P < .001). The overall agreement on the utilization of the M1 modifier amongst A3 and A4 injuries was fair (K = .161; 95% CI .151 – .171; P < .001). The ICC for PLC status in A3 and A4 injuries averaged across all measures was excellent (ICC = .936; 95% CI .922 – .949; P < .001). The M1 modifier suggests respondents are nearly 40% more confident that the PLC is injured amongst all injuries. The M1 modifier was employed at a higher frequency as injuries were classified higher in the classification system. Conclusions The reliability of surgeons differentiating between A3 and A4 injuries in the AOSpine TLICS is substantial and the utilization of the M1 modifier occurs more frequently with higher grades in the system.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».