Laryngeal Electromyography-Guided Hyaluronic Acid Vocal Fold Injections for Glottic Insufficiency
Notice bibliographique
Résumé
Objectives: To assess voice outcomes using the novel technique of in-office laryngeal electromyography-guided vocal fold injections (LEVFI) with hyaluronic acid to treat glottal insufficiency. Secondary objectives included determining the complication/completion rates and if any factors were associated with improved voice outcomes. Methods: Retrospective review of patients who received their first LEVFI from August 2017 to December 2018. Three- and six-month voice outcomes were assessed. Outcomes included voice handicap index-10 (VHI-10), maximum phonation time (MPT), perceptual analysis of voice (GRBAS), fundamental frequency, and stroboscopy. Results: Of the 121 eligible patients (55.4% male, age 63.7 years), 94 (77.7%) had complete 3-month data and 59 (48.8%) had complete 6-month data. VHI-10 was significantly improved from 25.7 ± 7.5 to 20.9 ± 10.9 at 3 months ( P < .001) and to 19.1 ± 11.5 at 6 months ( P < .001). MPT improved from 6.2 ± 5.4 seconds to 9.4 ± 7.1 seconds at 3 months ( P < .001) and to 11.3 ± 8.2 seconds at 6 months ( P < .001). GRBAS was improved in 74.8% of patients ([65.2, 82.8] 95% CI) at 3 months and 80.8% ([69.9, 89.1]) 95% CI) at 6 months. Stroboscopy showed a glottic gap improvement in 74.8% of patients ([65.8, 82.4] 95% CI) at 3 months and in 80.3% ([65.9, 88.5] 95% CI) at 6 months. Fundamental frequency was unchanged, as expected. Multivariate analysis reported that no factors were associated with better voice outcomes. Overall, 177/181 (97.8%) injections were completed. There were no complications. Conclusion: In-office LEVFI is an effective, novel technique to treat glottic insufficiency with improved voice outcomes, high completion rate, and no significant complications.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 | 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 ».