MétaCan
Menu
Retour à la cohorte
Enregistrement W2586980666 · doi:10.1093/ecco-jcc/jjx002.252

P126 Experience of 3D modelling in perianal fistula disease and survey of international surgical interest

2017· article· en· W2586980666 sur OpenAlexaboutno aff
Kapil Sahnan, S Adegbola, Phil Tozer, David Burling, Janindra Warusavitarne, Omar Faiz, R K S Phillips, Ailsa Hart, Phillip Lung

Notice bibliographique

RevueJournal of Crohn s and Colitis · 2017
Typearticle
Langueen
DomaineMedicine
ThématiqueAnorectal Disease Treatments and Outcomes
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineFistulaFistulotomyPresentation (obstetrics)Anal fistulaPerianal AbscessGeneral surgerySurgery

Résumé

récupéré en direct d'OpenAlex

Background: Perianal Crohn's fistulas are often complex, translating to difficult surgery and worse outcomes. MRI is the reference standard for assessment of complex perianal fistula, being effective at defining anatomy and guiding surgery. [1] However, communication of radiologist's understanding of MRI findings to the surgeon remains challenging. 3D models can aid understanding of the complex relationship between sphincter anatomy and fistula, guiding surgical decisions and improving outcomes. We presented case vignettes where 3D reconstruction has improved surgical comprehension of complex disease and surveyed an international cohort of surgeons to assess current practice and to gauge interest in 3D modelling of perianal fistulas. Methods: During an international gastrointestinal conference, participants were asked to complete either an online or paper-based survey following presentation of perianal Crohn's fistula 3D models. Content validity of the questionnaire was performed using the IBD multi-disciplinary team and contained multi-category scales and binary (yes/no) questionnaires. Data collected included respondents' current fistula practice, their use of MRI in operative planning and whether they would be interested in 3D modelling in their institution. Figure 1. 2D vs. 3D complex perianal fistula. Results: Thirty-four participants completed the survey including 17 (50%) based in the UK, 4 (12%) from Denmark with the remaining participants from Canada, China, Finland, Germany, Greece, Spain, Saudi Arabia and Sri Lanka. Experience of perianal fistula surgery varied with 35% (12/34) having >10 years' experience and 30% and 35% having 5–10 and ≤5 years' experience respectively. 41% of the participants operate on complex perianal fistulas, whilst 65% also refer complex fistulas and 15% were from tertiary centres. The majority (88%) of surgeons review the patient's MRI pre-operatively with 24% using MRI peri-operatively and 44% using endoanal ultrasound. However, only 18% review the images with a radiologist all of the time, whilst 62% review 50–75% of the time and 12% never review the MRI with a radiologist. In total, 85% of respondents expect 3D modelling to be useful for perianal fistula surgery and 88% would use 3D modelling if available. Conclusions: There is an international appetite for use of 3D modelling of complex perianal Crohn's fistula, which supports our local experience. 3D reconstruction has potential to improve surgical understanding, improve surgical decision-making, augment training and aid patient comprehension for informed consent. References: [1] Szurowska E, Wypych J, Izycka-Swieszewska E, (2007), Perianal fistulas in Crohn's disease: MRI diagnosis and surgical planning: MRI in fistulazing perianal Crohn's disease, Abdom Imaging, 705–718, 32(6)

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,015
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,033

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,015
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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.

Tête enseignante Opus0,052
Tête enseignante GPT0,338
Écart entre enseignants0,286 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Crohn s and ColitisMême sujetAnorectal Disease Treatments and OutcomesTravaux en français237 207