Improving coronary artery bypass grafting: a systematic review and meta-analysis on the impact of adopting transit-time flow measurement
Notice bibliographique
Résumé
Despite there being numerous studies of intraoperative graft flow assessment by transit-time flow measurement (TTFM) on outcomes after coronary artery bypass grafting (CABG), the adoption of contemporary TTFM is low. Therefore, on 31 January 2018, a systematic literature search was performed to identify articles that reported (i) the amount of grafts classified as abnormal or which were revised or (ii) an association between TTFM and outcomes during follow-up. Random-effects models were used to create pooled estimates with 95% confidence intervals (CI) of (i) the rate of graft revision per patient, (ii) the rate of graft revision per graft and (iii) the rate of graft revision among grafts deemed abnormal based on TTFM parameters. The search yielded 242 articles, and 66 original articles were included in the systematic review. Of those articles, 35 studies reported on abnormal grafts or graft revisions (8943 patients, 15 673 grafts) and were included in the meta-analysis. In 4.3% of patients (95% CI 3.3-5.7%, I2 = 73.9) a revision was required and 2.0% of grafts (95% CI 1.5-2.5%; I2 = 66.0) were revised. The pooled rate of graft revisions among abnormal grafts was 25.1% (95% CI 15.5-37.9%; I2 = 80.2). Studies reported sensitivity ranging from 0.250 to 0.457 and the specificity from 0.939 to 0.984. Reported negative predictive values ranged from 0.719 to 0.980 and reported positive predictive values ranged from 0.100 to 0.840. This systematic review and meta-analysis showed that TTFM could improve CABG procedures. However, due to heterogeneous data, drawing uniform conclusions appeared challenging. Future studies should focus on determining the optimal use of TTFM and assessing its diagnostic accuracy.
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 | 0,045 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,021 | 0,030 |
| 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 | 0,000 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».