Nerve Injury Related to Firearm Extremity Trauma
Notice bibliographique
Résumé
Introduction: Firearm-related extremity trauma with nerve injury can lead to life-altering impairment and disability. This study evaluated the frequency of nerve injury in firearm-related extremity injuries at a Level 1 trauma centre, and the rate of nerve transection in firearm-related peripheral nerve injuries (PNIs) and brachial plexus injuries (BPIs). Methods: Following Ethics Board approval, institutional trauma and emergency databases (from 2000 to 2020) were used to identify adults with firearm-related PNI or BPI treated at a Level 1 trauma center. Each case of nerve injury was verified by chart review and excluded isolated digital nerve and other cutaneous nerve injuries. Medical charts were reviewed to retrieve patient and injury data. Results: In total, 1957 patients were identified with firearm injuries; the nerve injury study sample included 86 patients (95% males) and 98 nerves injured. The most common upper extremity nerve injured was the radial and/or posterior interosseous nerve ( n = 30, 25%) and in the lower extremity, the sciatic nerve ( n = 15, 13%). Nerve transection was confirmed in 21% of cases by surgical exploration ( n = 19) or ultrasound imaging ( n = 2). Axonotmetic injuries were confirmed in 20% of cases and in total only 41% of patients had full spontaneous functional recovery. Compared to neurapraxia, neurotmesis injuries had a significantly increased likelihood of concomitant vascular injury ( P = .007) but not skeletal injuries ( P = .65). Injury severity score was not associated with nerve injury severity ( P = .27). Conclusion: Nerve transections due to firearm-related trauma occur more frequently than previously believed. Early identification and surgical management of nerve transection injuries is imperative.
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 | 0,000 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».