Development of a Surgical Difficulty Score for Open Reduction Internal Fixation of Pilon Fractures
Notice bibliographique
Résumé
OBJECTIVES: To identify characteristics that contribute to surgical complexity in pilon fractures and to develop a machine learning (ML) Pilon Surgical Difficulty Score (PSDS) based on these factors. DESIGN: Retrospective cohort study. SETTING: Academic Level I trauma center. PATIENT SELECTION CRITERIA: Pilon fractures (OTA/AO Type 43) in adult patients treated with open reduction internal fixation. OUTCOMES MEASURES AND COMPARISONS: Various patient, injury, and radiological characteristics were assessed. Surgical difficulty was measured using 2 outcomes: (1) operative time and (2) perceived difficulty. Perceived difficulty was determined using the opinion of 16 fellowship-trained orthopaedic traumatologists on a 10-point scale. Significant predictors of difficulty were determined using univariate analyses. ML models were used to develop a PSDS for both operative time and surgical difficulty. RESULTS: One hundred operatively fixed pilon fractures were included. Predictors of operative time were age, OTA/AO classification, articular comminution, articular impaction, bone loss, delay to surgery, poor quality reduction, number of approaches, and number of articular fragments. Predictors of perceived difficulty included OTA/AO classification and delay to surgery. Operative time PSDS had a mean absolute error of 64 minutes and a 60-minute buffer accuracy of 59%. Perceived difficulty PSDS had a mean absolute error of 1.7 points and a 2-point buffer accuracy of 63%. CONCLUSION: ML was used to generate accurate PSDSs for operative time and difficulty for pilon fractures. Future work should aim to clinically validate these PSDSs, so they may improve patient outcomes. LEVEL OF EVIDENCE: Level III Diagnostic.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».