Nutritional Indicators of Bone Nonunion: A Systematic Review
Notice bibliographique
Résumé
Background/Objectives: Bone nonunion remains a clinical challenge in orthopedic surgery with significant impacts on mental and physical wellbeing for patients. There are several previously established risk factors of nonunion that are connected to nutrition, but this has yet to be substantially explored. This review seeks to assess all studies that present associations between nutrition and nonunion to understand the potential for clinical relevance in nonunion prevention. Methods: Case–control and cohort studies comparing nonunion risk based on nutritional factors were gathered through PubMed in July 2024. Data were extracted with dual verification through Covidence and assessed for bias using the Newcastle–Ottawa Scale. Results: A total of 21 studies were included in this literature review. Vitamin D deficiency was a significant risk factor of nonunion in six studies and not significant in six other studies. Albumin was significant in three of the five studies addressing this lab value. Iron deficiency anemia was significant in a study assessing its impact on nonunion. Calcium was not significant in the one study mentioned. ICD-10-coded malnutrition was significant in one of the two studies. Sarcopenia, nutritional care plans, and dietitian-diagnosed malnutrition were statistically significant clinical indicators for predicting nonunion, but food insecurity was insignificant. Conclusions: Vitamin D, calcium, albumin, iron deficiency anemia, sarcopenia, and clinically diagnosed malnutrition have all been associated with an increased risk of nonunion in observational studies and should be considered when preventing nonunion development.
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 | 0,005 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,015 | 0,003 |
| Bibliométrie | 0,001 | 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 | 0,001 | 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 ».