Sonographic Measurement of the Dorsal Capsule After Arthroscopic Dorsal Capsuloligamentous Repair for Scapholunate Complex Injury: A Pilot Study
Notice bibliographique
Résumé
Objective: Arthroscopic dorsal capsuloligamentous repair (ADCLR) has emerged as an effective approach for dynamic scapholunate instability. This pilot study was designed to evaluate postoperative capsuloligamentous healing through sonographic assessment and to describe the early clinical outcomes following ADCLR. Materials and Methods: A retrospective analysis was conducted on 15 consecutive patients who underwent ADCLR, between September 2022 and February 2024. Dorsal capsule thickness was measured by sonography preoperatively, at 6 weeks, and at 3 months. Functional outcomes were assessed using the patient-rated wrist evaluation (PRWE) and the quick disabilities of the arm, shoulder, and hand (DASH) questionnaire. Results: The cohort included nine men (60%) and six women (40%) with a mean age of 33.4 ± 12.3 years (range: 16–56). Dorsal capsule thickness significantly increased from baseline (sagittal: 0.27 ± 0.05 cm; transverse: 0.22 ± 0.04 cm) to 6 weeks (sagittal: 0.60 ± 0.09 cm; transverse: 0.47 ± 0.09 cm), before partially regressing at 3 months (sagittal: 0.43 ± 0.10 cm; transverse: 0.39 ± 0.07 cm), suggesting a dynamic healing process. Mean PRWE improved by 27 ± 18.5 points at 3 months and 45.5 ± 9.9 points at 6 months, while Quick DASH scores improved by 12.7 ± 6.5 and 19.7 ± 5.9 points, respectively. Conclusion: Sonographic surveillance after ADCLR revealed transient dorsal capsular thickening, consistent with postoperative healing. These findings would suggest the relevance of sonographic monitoring and warrant future comparative studies, including failed cases, to clarify the correlation between thickening and successful ligamentous healing.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».