The Utility of a Community-Based Knee Ultrasound in Detecting Meniscal Tears: A Retrospective Analysis in Comparison with MRI
Notice bibliographique
Résumé
BACKGROUND/OBJECTIVES: MRI is the gold standard for detecting meniscal tears; however, ultrasound may readily detect meniscal changes, obviating the need for MRI. We aim to (1) determine ultrasound sensitivity, specificity, positive predictive value (PPV), negative predictive value (NPV), and accuracy in detecting meniscal changes, and (2) describe characteristic meniscal changes in US and their prevalence. METHODS: A retrospective analysis of knee ultrasound scans for the presence of medial and lateral meniscal tears was conducted. Meniscal changes were characterized into five US appearances (cleft, diminutive, cyst, displaced fragment, and extrusion) by the consensus of two musculoskeletal radiologists. Ultrasound findings were then compared to MRI results. RESULTS: In total, 249 patients were included. Ultrasound sensitivity, specificity, PPV, NPV, and accuracy for medial meniscal tears were 79%, 97.3%, 95.3%, 86.6%, and 90%, respectively, and for lateral meniscal tears the ultrasound sensitivity, specificity, PPV, NPV, and accuracy were 63%, 99.5%, 96%, 93%, and 93.6%, respectively. The false negative and false positive rates for medial meniscal tears were 13.4% and 4.7%, respectively, and for the lateral meniscus, the false negative and false positive rates were 6.7% and 3.8%, respectively. Meniscal clefts were the most prevalent appearance in the medial meniscus followed by extrusions. Meniscal extrusions were the most prevalent appearance in the lateral meniscus followed by clefts. CONCLUSIONS: Community-based US is highly accurate in the detection of meniscal tears when compared with MRI, making it a valuable diagnostic imaging tool for detecting meniscal tears in a community setting where accessibility to MRI is limited or if there are MRI contraindications.
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 | 0,000 |
| 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 ».