Lumbar Spine Densitometry in People with Spinal Cord Injury: Investigation of Potential Sources of Errors
Notice bibliographique
Résumé
PURPOSE: People with spinal cord injury (SCI) experience a considerable loss of bone after the injury. Lumbar spine (LS) bone mineral density (BMD) has been reported to be within the normal range, or even higher when assessed with DXA, in people with SCI; hence, it has been hypothesized that sources of error may spuriously increase LS BMD. The aim of this study was to describe the frequency of potential sources of error that may alter LS BMD measurement in a cohort of individuals with chronic SCI at baseline and over a 2-year period. METHODS: We analyzed baseline and 2-year follow up DXA scans (Hologic Discovery QDR 4500, Hologic Inc., MA, USA) previously performed from a cohort of males and females with chronic SCI. Two physicians independently reviewed each scan, commented on whether the scan was appropriate for BMD analysis, should be re-analyzed, or be removed from the dataset, and reported on the presence of potential sources of error in LS BMD measurement. RESULTS: We reviewed 115 lumbar spine DXA scans from 58 participants, and 107 (93.0 %) scans from 52 participants presented at least one potential source of error. At baseline, the average number of potential sources of error per scan was 5.5 ± 1.7 and 5.7 ± 1.5 according to rater 1 and rater 2, respectively. Follow-up scans presented an average of 5.6 ± 1.6 and 5.7 ± 1.4 potential sources of error according to rater 1 and rater 2, respectively. Facet sclerosis, osteophytes and difficulty in detecting bone edges were the most prevalent sources of error. CONCLUSION: The high frequency of potential sources of error is consistent with current recommendations against the use of LS BMD for fracture risk assessment in people with SCI.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».