Comparative Diagnostic Value of Serological and Synovial Tests for Periprosthetic Joint Infections
Notice bibliographique
Résumé
Background: Prompt diagnosis of periprosthetic joint infections (PJIs) is crucial for providing optimal care. Currently, there are no gold-standard tests available. An ideal test would be simple to implement, cost-effective, and readily available. We aimed to determine the best single or combined serological or synovial markers for diagnosing PJIs. Methods: There were 177 of 313 patients who had PJIs between April 2012 and March 2023 and a control group of 60 patients who were included in this retrospective review. The PJIs were diagnosed using Musculoskeletal Infection Society (MSIS) and European Bone and Joint Infection Society (EBJIS) criteria. Serum (C-reactive protein [CRP], white blood-cell [WBC] count, neutrophil-lymphocyte ratio [NLR], polymorphonuclear neutrophil percentage [PMN%]), and synovial fluid (WBC, NLR, PMN%) parameters were compared between the 2 groups. We determined the sensitivity, specificity, area under the curve (AUC), and cutoff values (COV) for each marker. We determined the best combination of markers to diagnose PJIs. There was no statistical significance between the demographic data of the control and treatment groups. Results: The S-CRP had the highest AUC of 0.912 with a COV of 16.15 mg/dL (Sensitivity 79.6%, Specificity 97.8%). The combination of tests, S-CRP, synovial fluid (SF-WBC), and S-NLR demonstrated the highest AUC of 0.946 (Sensitivity 93%, Specificity 90.9%). The COV for SF-WBC was 5.75 cells/μL (AUC 0.803; Sensitivity 70.3%, Specificity 97.1%); S-NLR COV was 3.659 (AUC 0.803; Sensitivity 67.3%, Specificity 88%). Conclusion: We found the combination of S-CRP, SF-WBC, and S-NLR to be valuable in diagnosing PJI with high sensitivities and specificities. It can be easily implemented by clinicians without additional cost or equipment. It is important to use this with a thorough clinical and physical examination as well as other modalities (i.e., MSIS/EBJIS criteria). Level of Evidence: Retrospective Comparative Study-Level III evidence. See Instructions for Authors for a complete description of levels of evidence.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».