Новітні регенеративні технології в лікуванні остеоартриту великих суглобів
Bibliographic record
Abstract
У період з 2018 по 2021 рік на лікуванні знаходилось 114 хворих з діагнозом: остеоартрит колінного суглоба 1–3-ї ст. за Kellgren-Lawrence. Діагноз верифікували рентгенологічно, деталізували за даними магнітно-резонансної томографії, інтраопераційно артроскопічно. Пацієнтів було проліковано відповідно до розробленого алгоритму з використанням малоінвазивних регенеративних методик: збагачена тромбоцитами плазма, концентрат червоного кісткового мозку (BMAC) та гіалуронова кислота. Контрольна група не передбачалась через низку етичних та технічних причин. Виходячи з твердження, що остеоартрит— це прогресуюче захворювання, стійкі позитивні зміни в суб’єктивній оцінці колінного суглоба та відсутність ознак прогресування при використанні інструментальних методів обстеження можна вважати за успіх даної методики. Оцінка результатів лікування проводилась через 1, 3, 6, 9 та 12 місяців за допомогою міжнародних опитувальних шкал Knee and Osteoarthritis Outcome Score, Western Ontario McMaster Universities OA Index, International Knee Documentation Committee, даних повторних магнітно-резонансних досліджень та безпосереднього макроскопічного дослідження при повторних артроскопіях. Відповідно до міжнародних суб’єктивних шкал оцінки функції та болю суглоба у пацієнтів після лікування з використанням ін’єкційних регенеративних засобів виявили стійке покращення в терміні спостереження до 12 місяців. Спираючись на ці клінічні результати, можна дійти висновку, що розроблена схема лікування — це сучасна регенеративна терапія, яка допомагає відновити ушкоджені ділянки опорно-рухової системи завдяки впливу збалансованого комплексу мезенхімальних стовбурових клітин, факторів росту, цитокінів. Вироблений алгоритм виготовлення та застосування BMAC є безпечним та раціональним.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.006 | 0.007 |
| Scholarly communication | 0.013 | 0.008 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.035 | 0.013 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".