Prevention of Autologous Costal Cartilage Graft Warping in Secondary Rhinoplasty
Notice bibliographique
Résumé
BACKGROUND: Autogenous costal cartilage grafts (ACCG) are frequently used in secondary rhinoplasty; however, these grafts tend to warp. The objective of this study is to systematically evaluate current interventions to prevent warping of ACCGs and to assess long-term outcomes with their use. METHODS: A systematic review was undertaken using a computerized search. Eligible articles assessed adult patients undergoing secondary rhinoplasty with ACCGs. Interventions to reduce warping were examined. Publication descriptors were extracted, heterogeneity was examined, and methodological quality of articles was assessed. RESULTS: Eighteen studies were included. Most studies were published after 2010 (83.3%), assessed a single intervention (83.3%), and were of levels of evidence III and IV. Mean patient age was 30 (range 5-95 years) and studies included a mean of 64 cases (range 9-357). Nine of the 15 non-comparative studies were considered of high methodological quality, while all 3 comparative studies were considered high quality. Secondary rhinoplasties which did not describe a method to address warping showed increased rates of warping compared to counter balancing techniques, chimeric grafts, titanium microplating, Kirschner wire and suture usage, irradiation, and various carving techniques. Rates of warping remained low with no major complications with the use of a variety of approaches. CONCLUSIONS: ACCG warping during secondary rhinoplasty can be alleviated with a variety of techniques with no clear difference in outcomes between approaches. Plastic surgeons may consider adopting one of the various techniques described in order to reduce warping, maximize aesthetic outcomes and patient satisfaction.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 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 ».