Factors associated with severe deep neck space infections: Targeting multiple fronts
Notice bibliographique
Résumé
OBJECTIVES: To determine factors predictive of a severe deep neck space infection (DNSI), defined as those requiring surgery and/or postoperative intensive care unit (ICU) admission. To specifically examine dental practices and socioeconomic factors that may contribute to the development of a DNSI. STUDY DESIGN: Retrospective review. METHODS: This study was conducted at 2 tertiary care academic referral centers from January 2007 to September 2011. The study was composed of 2 arms: a prospective questionnaire and data collection to identify modifiable risk factors such as dental practices and socioeconomic considerations for a DNSI, and a retrospective review of deep neck space infections to identify commonly associated risk factors predictive of a severe DNSI, requiring surgery and/or postoperative ICU admission. RESULTS: 233 patients were reviewed retrospectively and 25 patients prospectively. Patients with a low level of education (p = 0.03), those living greater than 1 hour from a tertiary care center (p = 0.002), those that have tonsils (p = 0.03), and those with Streptococcus infections (p = 0.03) have an increase risk of developing a severe DNSI. Patients that were smokers (p = 0.02) or had diabetes (p = 0.02), and those that presented with airway compromise (p = 0.03) were more likely to have a prolonged hospital stay. CONCLUSIONS: Factors predictive of severe DNSIs are Streptococcus infections, the presence of tonsils, education level, and geographic location.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».