Optimization of surgical fixation in cervical spine fractures using advanced imaging techniques: a systematic review of functional and neurological outcomes
Notice bibliographique
Résumé
Cervical spine fractures are high-stakes injuries with substantial risks of permanent neurological damage and disability. Traditional imaging methods, including plain radiographs and fluoroscopy, are limited by low sensitivity and spatial resolution. This systematic review assesses the impact of advanced imaging specifically preoperative MRI, CT and intraoperative navigation systems on surgical fixation accuracy and patient outcomes. In methodology, we followed PRISMA guidelines, a comprehensive literature search was conducted across PubMed, Scopus and Web of Science from 2010 to 2024. Eligible studies included adult patients with cervical spine trauma undergoing surgical fixation with reported outcomes in screw accuracy, neurological recovery (ASIA scores) or functional status (JOA, NDI, SF-36). Data were synthesized and quality assessed using the Newcastle-Ottawa Scale. In results, eleven studies (n=1,220 patients) met inclusion criteria. Intraoperative CT-based navigation consistently improved screw accuracy (up to 98.1%), reduced malposition and operative times and minimized radiation to staff. MRI influenced surgical decision-making in elderly and neurologically impaired patients, particularly by identifying occult cord compression and reducing surgical delay. Select studies reported functional gains, including ODI improvements from 67.1% to 25.6% and VAS pain reduction from 8.2 to 2.2. Advanced imaging modalities significantly enhance surgical precision and contribute to improved patient safety and recovery in cervical spine trauma. Their integration into surgical planning supports evidence-based, patient-centered care, especially in high-risk or anatomically complex cases.
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,003 | 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 ».