Diagnostic Accuracy of Magnetic Resonance Imaging (MRI) Knee in detecting Anterior Cruciate Ligament (ACL) Tears assuming Arthroscopy as Gold Standard
Notice bibliographique
Résumé
Background: Anterior cruciate ligament is a core ligament of the knee joint and is vulnerable to injuries in sports and athletics. Timely diagnosis of ACL injuries can result in better management and fast repair. This study explores the diagnostic accuracy of Magnetic resonance imaging (MRI) of knee joint in ACL complete tear. Patients and methods: To decide the diagnostic efficiency awareness, particularity, positive predictive values (PPV), negative predictive values (NPV) worth and demonstrative precision of X-ray in contrast with arthroscopy for identification of upper leg tendon tears of the knee. A total 78 patients were considered in this study with suspicion of ACL rupture. Patients underwent both MRI and arthroscopy for the detection of ACL tears. The outcomes of the MRI were compared with the accepted gold standard, arthroscopy. Results: The mean age of the patients enrolled in the study turned out as 45.1 ± 12.8 (p<0.001). ACL tears were presented in 52.6% of the patients according to both arthroscopy and MRI. According to MRI, there were 39 true positives (TP), 2 false positives (FP), 2 false negatives (FN), and 35 true negatives (TN). It was found out that PPV was 90.3%, NPV was 97.2%, sensitivity was 95.12%, specificity was 94.59%, while accuracy was observed as 94.87%. Conclusion: MRI can serve the patients in diagnosis such that it is non-invasive, cheap and can avoid unwanted arthroscopies in case of ACL tears diagnosis. These results also support the fact that MRI can be used as an alternative to arthroscopy in the Pakistani population. These findings can serve to better plan medical facilities in Pakistan.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».