Diagnostic and management concordance between chiropractors and neurosurgeons for patients with low back pain
Notice bibliographique
Résumé
Low back pain is the leading contributor to disability worldwide and a major cause of primary care visits. Alternative models of care delivery drawing on musculoskeletal experts' skills and knowledge have received increasing attention for their potential ability to improve timely access to appropriate healthcare for patients with musculoskeletal disorders. The aim of this study was to evaluate diagnostic and management concordance between chiropractors, known as musculoskeletal experts, and neurosurgeons for patients with low back pain. Before being seen by a neurosurgeon, 101 eligible participants (mean age: 60.32 years) were evaluated by a chiropractor. Overall diagnostic agreement between chiropractors and neurosurgeons was 74.7%, with a moderate inter-rater diagnosis agreement (κ = 0.51; 95%CI [0.35-0.68]). Chiropractors were significantly less likely to attribute a diagnosis of non-specific LBP to participants (31.6%) compared to neurosurgeons (43.2%) (p = 0.02), with an agreement proportion of 80.0%. Overall management agreement was 82.0%, indicating that chiropractors possess good skills in triaging patients with low back pain, which can optimize patient trajectories by accelerating management of non-surgical cases and reducing waiting lists for spine surgery consultations. Prospective studies are needed to evaluate the impact of a chiropractor-informed triage on clinical outcomes and healthcare utilization for patients with low back pain.
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 | 0,014 | 0,058 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».