British Journal of Rheumatology 1996;35:1269-1273 THE VALUE OF SPECT SCANS IN IDENTIFYING BACK PAIN LIKELY TO BENEFIT FROM FACET JOINT INJECTION
Notice bibliographique
Résumé
Lumbar facet disease is sometimes implicated in low back pain. Identification is difficult and this may account for a variable response. Single photon emission computerized tomography (SPECT) is a scanning technique which enables localization of facet joint pathology. We determined whether recognition of facet disease by this method improved the response to corticosteroid injection treatment. Fifty-eight patients with low back pain and displaying accepted clinical criteria for facet joint disease were evaluated by SPECT. Twenty-two had facetal uptake of isotope. These and the tender facet joints of 36 scan-negative patients were injected with 40 mg methylprednisolone and 1 ml 1 % lignocaine under X-ray control. Pain was assessed by a blind observer using the McGill questionnaire (MGQ), Present Pain Intensity score (PPI) and a Visual Analogue Scale (VAS). VAS, PPI and MGQ were reduced in the scan-positive patients at 1 month (P = 0.05, P = 0.0005, P = 0.005) and MGQ at 3 months (P = 0.01), whilst scan-negative patients were unchanged. The percentage of scan-positive patients who reported improvement was 95% at 1 month and 79 % at 3 months, significantly greater than the control group (P = 0.0005, P = » 0.01). Within 6 months, pain improvement in the SPECT-positive group was no longer statistically significant. Tenderness did not correlate with increased uptake on SPECT scan. Osteoarthritis of the facets was more common in the SPECT-positive patients (P < 0.001), but did not correspond with sites of increased uptake on SPECT scan. These results suggest that SPECT can enhance the identification of back pain sufferers likely to obtain short-term benefit from facet joint injection. KEY WORDS: Imaging, Bone scan, Spinal pain, Treatment.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,032 | 0,014 |
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 ».