Ultrasound Guidance to Augment Needle Electromyography Precision in the Complex Nerve Injury Setting
Notice bibliographique
Résumé
The rise in popularity of nerve transfer surgery in individuals with peripheral nerve and spinal cord injuries has elevated the importance of the preoperative electrodiagnostic examination. Needle electromyography (EMG) provides peripheral nerve surgeons with precise information about donor and recipient muscle health, aiding in decisions regarding surgical options, donor muscle viability, and timing of intervention. However, traditional anatomical landmarks for typical donor and recipient nerve-muscle combinations in nerve transfer surgery are either not well described in the literature or become less dependable in the presence of contracture, spasticity, or muscle atrophy and fibrosis. Ultrasound (US) can be a valuable tool to augment the needle EMG examination. Herein, we describe US approaches to improve the precision of the needle EMG examination for 10 muscles in the upper extremity and two muscles in the lower extremity that are routinely involved as either donors or recipients in nerve transfer surgery. The purpose is to provide a reference guide for the electrodiagnostic medicine specialist in the complex nerve injury setting. This includes information on surrounding anatomical structures for localization and those that should be avoided. Relevant US principles for EMG are discussed including: (1) the advantages and disadvantages of short-axis and long-axis views of the target muscle, emphasizing the predominant use of short-axis for adequate visualization of all surrounding structures and enhancing patient safety, (2) in-plane versus out-of-plane approaches, and (3) enhancing confidence in the precision of the needle EMG via the dynamic capability of US.
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 | 0,000 |
| 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 ».