Using Two Predictive Models to Capture Two Types of Poor Outcomes in Knee Arthroplasty: A Multisite Longitudinal Cohort Study
Notice bibliographique
Résumé
OBJECTIVE: Poor outcome after knee arthroplasty (KA), a common major surgery worldwide, reportedly occurs in approximately 20% of patients. These patients demonstrate minimal improvement, at least moderate knee pain, and difficulty performing many routine daily activities. The purposes of our study were to comprehensively determine poor outcome risk after KA and to identify predictors of poor outcome. METHODS: Data from 565 participants with KA in the Osteoarthritis Initiative and the Multicenter Osteoarthritis studies were used. Previously validated latent class analyses (LCAs) of good versus poor outcome trajectories of Western Ontario and McMaster Universities Arthritis Index (WOMAC) Pain and Disability were generated to describe minimal improvement and poor final outcome. The modified Escobar RAND appropriateness system was used to generate classifications of appropriate, inconclusive, and rarely appropriate. Multivariable prediction models included LCA-based good versus poor outcome, modified Escobar classifications, and evidence-driven preoperative prognostic variables. RESULTS: Modified Escobar appropriateness classifications were nonsignificant predictors of WOMAC Pain good versus poor outcomes, indicating the methods provide independent outcome estimates. For WOMAC Pain and WOMAC Disability, approximately 34% and 45% of participants, respectively, had a high probability of either minimal improvement via "rarely appropriate" classifications or poor outcome via LCA. In multivariable prediction models, greater contralateral knee pain consistently predicted poor outcome (eg, odds ratio 1.21, 95% confidence interval 1.10-1.33). CONCLUSION: Appropriateness criteria and LCA estimates provided combined poor outcome estimates that were approximately double the commonly reported poor outcome of 20%. Rates of poor outcome could be reduced if clinicians screened patients using appropriateness criteria and LCA predictors before surgery to optimize outcome.
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 | 0,021 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».