Meta-analysis, Meta-regression, and GRADE Assessment of Randomized and Nonrandomized Studies of Incisional Negative Pressure Wound Therapy Versus Control Dressings for the Prevention of Postoperative Wound Complications
Notice bibliographique
Résumé
OBJECTIVE: The aim of this study was to evaluate the efficacy of iNPWT for the prevention of postoperative wound complications such as SSI. SUMMARY OF BACKGROUND DATA: The 2016 WHO recommendation on the use of iNPWT for the prevention of SSI is based on low-level evidence, and many trials have been published since. Preclinical evidence suggests that iNPWT may also prevent wound dehiscence, skin necrosis, seroma, and hematoma. METHODS: PubMed, EMBASE, CINAHL, and CENTRAL were searched for randomized and nonrandomized studies that compared iNPWT with control dressings. The evidence was assessed using the Cochrane Risk of Bias Tool, the Newcastle-Ottawa scale, and GRADE. Meta-analyses were performed using random-effects models. RESULTS: High level evidence indicated that iNPWT reduced SSI [28 RCTs, n = 4398, relative risk (RR) 0.61, 95% confidence interval [CI]: 0.49-0.76, P < 0.0001, I = 27%] with a number needed to treat of 19. Low level evidence indicated that iNPWT reduced wound dehiscence (16 RCTs, n = 3058, RR 0.78, 95% CI: 0.64-0.94). Very low-level evidence indicated that iNPWT also reduced skin necrosis (RR 0.49, 95% CI: 0.33-0.74), seroma (RR 0.43, 95% CI: 0.32-0.59), and length of stay (pooled mean difference -2.01, 95% CI: -2.99 to 1.14). CONCLUSIONS: High-level evidence indicates that incisional iNPWT reduces the risk of SSI with limited heterogeneity. Low to very low-level evidence indicates that iNPWT also reduces the risk of wound dehiscence, skin necrosis, and seroma.
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 | 0,008 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,015 | 0,009 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».