Management of periprosthetic fractures after hip and knee arthroplasty - classifications, treatment algorithms, and clinical outcomes – a literature review
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Įvadas. Periproteziniai lūžiai (PPL) po klubo ir kelio sąnarių endoprotezavimo tampa vis dažnesne klinikine problema dėl augančio artroplastikų skaičiaus ir ilgėjančios pacientų gyvenimo trukmės. Šie lūžiai pasižymi didele sergamumo, komplikacijų ir mirtingumo rizika. Gydymas reikalauja individualizuoto požiūrio, integruojant tikslią diagnostiką, patikimą klasifikaciją bei modernias chirurgines strategijas. Tikslas. Apžvelgti klubo ir kelio sąnarių PPL klasifikacijas, gydymo algoritmus ir jų klinikinius rezultatus, įvertinant naujausius technologinius bei biologinius gydymo sprendimus. Metodai. Atlikta mokslinės literatūros apžvalga, apimanti epidemiologinius duomenis, klasifikacines sistemas (Vancouver, Rorabeck, UCS), diagnostinius algoritmus, gydymo metodus (osteosintezė, reviziniai protezai, hibridinės strategijos) bei inovacijas (3D implantai, robotika, kaulų morfologiniai baltymai, kamieninės ląstelės). Rezultatai. B tipo lūžių gydymo rezultatai priklauso nuo tikslios klasifikacijos ir stiebo stabilumo įvertinimo. B1 lūžiams osteosintezė yra veiksminga, o B2/B3 – reikalingas revizinis protezavimas. Kelio sąnario PPL gydymo rezultatai geresni naudojant užrakinamas plokšteles arba modulius. Funkciniai rezultatai dažnai būna prastesni, ypač po sudėtingų atvejų. Naujų technologijų taikymas (3D plokštės, DI analizė) rodo perspektyvas mažinant komplikacijų ir didinant gydymo tikslumą. Išvados. PPL gydymas reikalauja tikslios diagnostikos, klasifikacijos ir personalizuoto chirurginio plano. Inovatyvūs metodai žymiai pagerina rezultatus, tačiau jų integracija į klinikinę praktiką turi būti pagrįsta įrodymais.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.003 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.004 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| 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 it