MétaCan
Menu
← Retour à la cohorte
Enregistrement W4395090154 · doi:10.3791/66378-v

JoVE Video Dataset

2024· article· pt· W4395090154 sur OpenAlexaff
Emily Pettersen, Paolo Sassu, Francesca Alice Pedrini, Hannes Granberg, Carina Reinholdt, Juan Manuel Breyer, Aidan D. Roche, Andrew Hart, Adil Ladak, Hollie A. Power, Michael K.H. Leung, Michael Lo, Ian L. Valerio, Kyle R. Eberlin, Jason H. Ko, Gregory A. Dumanian, Theodore A. Kung, Paul S. Cederna, Max Ortiz-Catalan

Notice bibliographique

Revuenon disponible
Typearticle
Languept
DomaineNeuroscience
ThématiqueNerve injury and regeneration
Établissements canadiensUniversity of Alberta
Organismes subventionnairesVetenskapsrådetStiftelsen Promobilia
Mots-clésComputer scienceArtificial intelligenceComputer graphics (images)

Résumé

récupéré en direct d'OpenAlex

Surgical procedures, including nerve reconstruction and end-organ muscle reinnervation, have become more prominent in the prosthetic field over the past decade. Primarily developed to increase the functionality of prosthetic limbs, these surgical procedures have also been found to reduce postamputation neuropathic pain. Today, some of these procedures are performed more frequently for the management and prevention of postamputation pain than for prosthetic fitting, indicating a significant need for effective solutions to postamputation pain. One notable emerging procedure in this context is the Regenerative Peripheral Nerve Interface (RPNI). RPNI surgery involves an operative approach that entails splitting the nerve end longitudinally into its main fascicles and implanting these fascicles within free denervated and devascularized muscle grafts. The RPNI procedure takes a proactive stance in addressing freshly cut nerve endings, facilitating painful neuroma prevention and treatment by enabling the nerve to regenerate and innervate an end organ, i.e., the free muscle graft. Retrospective studies have shown RPNI's effectiveness in alleviating postamputation pain and preventing the formation of painful neuromas. The increasing frequency of utilization of this approach has also given rise to variations in the technique. This article aims to provide a step-by-step description of the RPNI procedure, which will serve as the standardized procedure employed in an international, randomized controlled trial (ClinicalTrials.gov, NCT05009394). In this trial, RPNI is compared to two other surgical procedures for postamputation pain management, specifically, Targeted Muscle Reinnervation (TMR) and neuroma excision coupled with intra-muscular transposition and burying.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,760
Score d'incertitude au seuil0,343

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,011
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0040,004
Études des sciences et des technologies0,0010,000
Communication savante0,0040,003
Science ouverte0,0030,003
Intégrité de la recherche0,0030,001
Charge utile insuffisante (le modèle a refusé de juger)0,7600,512

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.

Tête enseignante Opus0,050
Tête enseignante GPT0,333
Écart entre enseignants0,282 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreJeu de données

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetNerve injury and regeneration→Travaux en français237 207→