Accuracy of Ultrasound and MRI in Preoperative and Postoperative Management of Flexor Tendon Injuries: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
BACKGROUND: Complete and partial flexor tendon lacerations are challenging injuries to diagnose and manage. Imaging modalities can determine grade of laceration, and location of tendon ends preoperatively while detecting presence of adhesions, repair failure, and gap formation postoperatively. Despite these clear advantages, imaging modalities are underutilized because of issues with availability and concerns about accuracy. METHODS: A systematic search of MEDLINE and Embase was conducted to identify papers examining the accuracy of ultrasonography (US) and MRI in preoperative and postoperative management of flexor tendon lacerations. COVIDENCE was used in blinded selection of papers for abstract and full-text review. R Studio was used for meta-analysis of pooled sensitivities and specificities, diagnostic odds ratios, and summary receiver operating curves of both US and MRI. RESULTS: A total of 1197 papers were returned, with 40 being selected after full-text review and 24 being sufficient for statistical analysis. Significant heterogeneity existed for preoperative sensitivity of US and MRI, as well as preoperative specificity of US. MRI was more specific than US in the postoperative period (P < 0.01). Diagnostic odds ratios were >1 for all imaging modalities. The area under the curve for summary receiver operating curves in US preoperative, US postoperative, MRI preoperative, and MRI postoperative were 0.92, 0.81, 0.83, and 0.91, respectively. CONCLUSION: MRI is likely more specific than US in postoperative detection of tendon adhesions, tendon rupture, and gap formation following tendon repair. Notable heterogeneities exist in the literature, highlighting the future need for standardized comparisons of imaging modalities in preoperative management.
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 | 0,006 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,010 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».