Translaryngeal Tracheostomy Needle Introducer: a simple device to improve safety and reduce complications during Fantoni’s translaryngeal tracheostomy procedure: trial on human cadavers
Notice bibliographique
Résumé
BACKGROUND: Percutaneous dilatational tracheostomy (PDT) is the most frequently performed procedure in patients requiring prolonged mechanical ventilation. A crucial step in such procedures is needle insertion into the trachea. To simplify this procedure and increase its safety, we developed a new device, the translaryngeal Tracheostomy Needle Introducer (tTNI), for use with Fantoni's method. This cadaver study was designed to assess the performance of the tTNI on human anatomy. METHODS: We tested the tTNI in a cadaver laboratory; the operators included two experts trained in PDT and three without specific training in the procedure. We performed 58 needle insertion attempts on 13 cadavers. We compared the tTNI technique with the standard needle insertion approach using external landmarks. We recorded the number of attempts needed to optimise needle insertion, time required in seconds, final position of the needle and complications related to needle insertion. RESULTS: tTNI use resulted in fewer puncture attempts (1.91 ± 1.34 vs. 1.19 ± 0.5, p < 0.001), less time (36.8 ± 51.6 s vs. 13.14 ± 15.57 s, p < 0,001) and increased precision on the first puncture (18.87 ± 25.38° vs. 7.5 ± 12.95°, p < 0,005). We did not observe any complication with tTNI use, whereas complications found using the standard method were in line with the literature. CONCLUSIONS: The tTNI is a device that simplifies needle insertion by enhancing the accuracy of insertion with fewer attempts and higher precision, even when used by less experienced operators. Clinical testing is required to evaluate the device performance in patients.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 | 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 ».