Développement d’un outil d’évaluation neurologique simplifié pour les lésions médullaires traumatiques en contexte aigu
Bibliographic record
Abstract
La prise en charge rapide et systématique des patients en traumatologie par des protocoles tels que l’Advanced Trauma Life SupportTM maximise la survie. À l’intérieur de ces protocoles, l’examen le plus souvent proposé pour l’évaluation neurologique est l’International Standards For Neurological Classification of Spinal Cord Injury (ISNCSCI). Cet outil d’évaluation des patients avec une lésion médullaire traumatique (LMT) est le plus reconnu mondialement, mais n’est pas adapté à la prise en charge initiale en traumatologie de par son exhaustivité. L’objectif principal de ce mémoire était de combler le besoin pour un outil d’évaluation neurologique adapté au patient avec une LMT en contexte aigu.La première partie de ce travail consista au développement et à la validation d’une version simplifiée de l’ISNCSCI qui a été nommée le Montreal Acute Classification of Spinal Cord Injury (MAC-SCI). Sa validation par rapport à l’ISNCSCI révéla une capacité à déterminer correctement le grade de sévérité ainsi que l’étage lésionnel de la LMT dans 100% des cas. La seconde partie de ce travail évalua la capacité du MAC-SCI à détecter les variations neurologiques périopératoires et montra qu’aucune détérioration neurologique n’était ratée. Finalement, la troisième partie de ce travail évalua l’implémentation clinique du MAC-SCI et montra des taux de complétion 2,4 fois supérieurs à ceux de l’ISNCSCI. Nous souhaitons que le MAC-SCI soit incorporé dans les protocoles de traumatologie à grande échelle dans le but d’uniformiser l’évaluation neurologique des patients en situation de traumatologie et ultimement d’améliorer les soins prodigués aux patients blessés médullaires.
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 | 0.124 | 0.197 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.004 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.010 | 0.004 |
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".