Risk Factors for Surgical Site Infection in Minor Dermatological Surgery: A Systematic Review
Notice bibliographique
Résumé
OBJECTIVE: To identify patient- and procedure-related risk factors for surgical site infection following minor dermatological surgery. DATA SOURCES: The MEDLINE, Cumulative Index of Nursing and Allied Health Literature, Informit, and Scopus databases were searched for relevant literature on patient populations receiving minor surgery, where risk factors for surgical site infection were explicitly stated. STUDY SELECTION: Studies involving major dermatological surgery were excluded. The preliminary search yielded 820 studies after removing duplicates; 210 abstracts were screened, and 42 full texts were assessed for eligibility. A total of 13 articles were included. Studies were appraised using the Newcastle-Ottawa Quality Assessment Scale. DATA EXTRACTION: An electronic data collection tool was constructed to extract information from the eligible studies, and this information was distributed to participating authors. DATA SYNTHESIS: Risk factors identified included age, sex, diabetes mellitus, chronic obstructive pulmonary disease, use of antihypertensive or corticosteroid medications, smoking, surgery on the lower or upper extremities, excision of nonmelanocytic skin cancers, large skin excisions, and complex surgical techniques. No more than two studies agreed on any given risk factor, and there were insufficient studies for meta-analysis. CONCLUSIONS: Re-excision of skin cancer, below-knee excisions, and intraoperative hemorrhagic complications were predictive for infection in more than one study. More high-quality studies are required to accurately identify risk factors so they can be reliably used in clinical guidelines.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».