RETROSPECTIVE EVALUATION OF THE IMPACT OF KNEE OSTEOARTHRITIS SEVERITY ON TREATMENT OUTCOMES: A LONGITUDINAL STUDY
Notice bibliographique
Résumé
Background: Knee osteoarthritis (OA) affects approximately 528 million people worldwide, representing a significant healthcare burden with variable treatment outcomes based on disease severity. Understanding the relationship between severity grading and treatment effectiveness is crucial for optimizing patient management strategies. Objective: To evaluate the impact of knee osteoarthritis severity, assessed using the Kellgren-Lawrence (KL) grading system, on treatment outcomes over a 24-month longitudinal period. Methods: This retrospective longitudinal study analyzed 1,247 patients with knee OA treated between January 2020 and December 2023. Patients were stratified by KL grades (0-4) and treatment modalities (conservative vs. surgical). Primary outcomes included pain scores using Visual Analog Scale (VAS), functional outcomes using Western Ontario and McMaster Universities Osteoarthritis Index (WOMAC) and Knee injury and Osteoarthritis Outcome Score (KOOS), and quality of life measures at baseline, 6, 12, and 24 months. Results: Patients with KL grades 0-2 showed significantly better responses to conservative treatments, with mean VAS scores improving from 6.2±1.8 to 2.4±1.2 (p<0.001). Advanced OA (KL grades 3-4) demonstrated superior outcomes with surgical interventions, achieving 78% functional improvement compared to 34% with conservative management. Treatment failure rates increased with severity grade, ranging from 12% in KL grade 1 to 67% in KL grade 4 for conservative treatments. Conclusion: Knee osteoarthritis severity significantly influences treatment outcomes, with early-stage disease responding favorably to conservative management while advanced stages require surgical intervention for optimal results. These findings support severity-based treatment algorithms for improved patient outcomes. Keywords: Knee osteoarthritis, Kellgren-Lawrence grading, treatment outcomes, conservative management, surgical intervention, longitudinal study, functional assessment
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».