Bibliographic record
Abstract
L'épicondylalgie latérale (EL) est une problématique fréquente, touchant entre 1 et 3 % de la population et présentant une prévalence à vie d'environ 40 %. La physiopathologie de l'EL est multifactorielle et ne ne se résume pas à une simple tendinopathie des extenseurs du poignet et des doigts. Ses différentes composantes peuvent être présentes à divers degrés suivant les individus. Dès lors, le recueil d'informations lors de l'anamnèse et l'évaluation physique constitue une étape importante pour identifier les déficiences. Le diagnostic de l'EL est basé sur les éléments suivants : la présence de symptômes sur la face latérale du coude, aggravés par des activités de préhension et reproduits par la palpation de cette région. L'évaluation des mouvements angulaires actifs et passifs et des mouvements accessoires du coude permet de mettre en évidence une limitation d'amplitude ou des symptômes dans une direction de mouvement. Le bilan musculaire permet d'identifier un déficit de force et de reproduire les douleurs à la contraction. La mécanosensibilité du nerf radial est évaluée avec le test neurodynamique upper limb neurodynamic test (ULNT) 2b. L'examen physique doit aussi intégrer la région cervicale, souvent impliquée dans les symptômes de l'EL. Les piliers du traitement de l'EL sont l'éducation du patient et les exercices actifs. Le but des exercices est d'augmenter progressivement la charge sur le tendon, en partant d'une position non douloureuse et en allant vers l'amplitude problématique, et d'intégrer l'ensemble du membre supérieur. La thérapie manuelle du coude a aussi montré des effets positifs à court terme sur les symptômes. Cette prise en charge peut être complétée par du taping, des étirements, des mobilisations neurodynamiques et des mobilisations du rachis cervical en fonction du patient.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.003 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.003 | 0.004 |
| Research integrity | 0.006 | 0.003 |
| Insufficient payload (model declined to judge) | 0.979 | 0.983 |
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; the direct Gemma label and the distilled Codex classifier agree on what is shown here.
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".