Epidemiology of peripheral nerve and brachial plexus injuries in a trauma population
Notice bibliographique
Résumé
BACKGROUND: Understanding patterns of peripheral nerve injuries (PNIs) and brachial plexus injuries (BPIs) is essential to preventing and appropriately managing nerve injuries. We sought to assess the incidence, cause, and severity of PNIs and BPIs sustained by patients with trauma. METHODS: We conducted a retrospective review of the Trauma Registry Database (January 2002 to December 2020) to identify patients with PNIs or BPIs. RESULTS: We evaluated data from 24 905 patients with trauma; 335 (1.3%) sustained PNIs (81% male; mean age 36 yr, standard deviation [SD] 16 yr) and 64 (0.3%) sustained BPIs (84% male; mean age 35, SD 15 yr). Nerves in the upper extremities were more commonly affected than those in the lower extremities. Sharp injuries (39.4%) and motorcycle accidents (32.8%) were the most frequent causes of PNIs and BPIs, respectively. Other common causes of PNI were motor vehicle collisions (16.7%) and gunshot wounds (12.8%). Many patients with PNIs (69.0%) and BPIs (53%) underwent operative management. The most frequent reconstruction for PNI was primary nerve repair (66%), while nerve transfers (48%) were more frequently used for BPI. CONCLUSION: Nerve injuries in the trauma population have decreased over the last 3 decades with shifts in mechanisms of injury and use of imaging, electrodiagnostic tests, and surgery. Nerve injuries are often complex and time-sensitive to treat; understanding changes in trends is important to ensure optimal patient management.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».