Derivaciones quirúrgicas para artroplastia total de cadera desde la atención primaria: la utilidad de los Criterios de Uso Apropiado de la AAOS
Bibliographic record
Abstract
Resumen Antecedentes Se ha comprobado que los médicos de atención primaria (MAPs) tienen falta de claridad respecto a las indicaciones para la artroplastia total de cadera (ATC), lo que hace que el proceso de derivación quirúrgica sea propenso a la variabilidad y la inconsistencia. Los Criterios de Uso Apropiado (Appropriate Use Criteria, AUC, en inglés) de la American Academy of Orthopaedic Surgeons (AAOS-AUC) son una herramienta de apoyo a la toma de decisiones basada en la evidencia que ayuda a los médicos a seleccionar para quién debe indicarse el tratamiento. Este estudio tiene como objetivo comparar la tasa de referencias quirúrgicas de ATC realizadas por MAPs utilizando la herramienta AAOS-AUC y la tasa de referencias resultantes después de la educación formal del médico basada en los estándares actuales de tratamiento de la osteoartritis. Materiales y Métodos Usando un diseño cruzado, 22 MAPs evaluaron 2 rondas de 10 casos clínicos cada una, generando 440 encuentros clínicos simulados de pacientes con osteoartritis de cadera. En 220 encuentros simulados, el MAP decidió si una derivación quirúrgica era apropiada mediante el uso de la herramienta AAOS-AUC. En los otros 220 encuentros simulados, esa decisión se tomó utilizando el conocimiento adquirido después de la educación médica formal. Se comparó la tasa de derivaciones quirúrgicas generadas por ambas estrategias. Resultados No hubo diferencia en la tasa de derivaciones quirúrgicas al comparar encuentros simulados utilizando la herramienta AAOS-AUC (57,3 %) y aquellos que utilizaron el juicio clínico después de la educación formal (62,7 %; p = 0,2). Tampoco se encontraron diferencias al comparar MAPs que usaron la herramienta AAOS-AUC durante su primera o segunda ronda de casos (60,7% versus 58,8%, respectivamente; p = 0,68) Conclusión En manos de MAPs, la herramienta en línea AAOS-AUC funciona tan bien como la educación formal del médico durante el proceso de derivación quirúrgica para ATC. Es plausible considerar la AAOS-AUC una herramienta práctica de apoyo a la toma de decisiones para pacientes con artrosis de cadera evaluados en atención primaria. Nivel de evidencia Nivel V.
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 | 0.009 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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".