Mechanism of Injury Affects the Incidence and Time to Recovery of Nerve Injuries Associated With Humeral Shaft Fractures
Notice bibliographique
Résumé
BACKGROUND: This study aims to determine the incidence of pre- and postoperative nerve injuries associated with humeral shaft fractures. METHODS: Three hundred eight humeral shaft fractures (Orthopaedic Trauma Association/Arbeitsgemeinschaft fur Osteosynthesefragen 12) underwent surgical treatment from 2009 to 2020 were reviewed. Nerve injury was identified by motor or sensory deficit. Patients were grouped by mechanism. Each cohort was evaluated for rate of nerve injury and exploration, onset of nerve recovery, and predictors of nerve injury. RESULTS: Twenty-four sustained gunshot wounds (GSWs), 73 high-energy injury mechanisms, and 211 low-energy injury mechanisms. Fifty-six preoperative and 14 postoperative nerve injuries were identified. Eight patients (33%) in the GSW cohort, 22(31%) with high-energy mechanisms, and 26 (13%) with low-energy mechanisms had a preoperative nerve injury (P < 0.001). One patient (4%) in the GSW cohort, 0 with high-energy mechanisms, and 13 (7%) with low-energy mechanisms had a postoperative nerve injury (P = 0.24). Preoperative nerve injuries from GSWs and high-energy mechanisms required more time for nerve recovery (6.8 vs. 5.2 vs. 4.0 months). Regression analysis showed that GSW (odds ratio = 4.79, P = 0.038, confidence interval = 1.79 to 15.87) and high-energy mechanisms (odds ratio = 2.34, P = 0.049, confidence interval = 1.004 to 5.784) were associated with preoperative nerve injury. CONCLUSIONS: GSWs and high-energy mechanisms have higher incidence of nerve injury associated with humeral shaft fractures and may require more time to recover.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».