Injection augmentation and endoscopic repair of type 1 laryngeal clefts: Development of a management algorithm
Notice bibliographique
Résumé
OBJECTIVES: To describe indications for injection augmentation (IA), endoscopic repair (ER) and conservative methods for the management of type 1 laryngeal cleft (LC1) and propose a management algorithm. We also aimed to compare success of IA and ER and determine independent predictors of treatment failure. METHODS: Retrospective study of patients diagnosed with LC1 at a Pediatric Otolaryngology referral centre between 2004 and 2016. All had pre-operative instrumental swallowing evaluation (VFSS/FEES), and were managed with a combination of conservative measures, IA and/or ER. We collected demographics, symptoms, comorbidities, VFSS/FEES results, and operative details. The primary outcome was symptom resolution by parental report. The secondary outcome was predictors of treatment failure. RESULTS: 88 patients were included in the analysis, with mean age 26 ± 25 months. Most presented with choking events (68%) or recurrent pneumonias (48%). In total, there were 55 IA performed and 45 ER. Of the patients who received IA, 19 required subsequent ER. 95% had symptom improvement, 67% had complete resolution. IA had a 56% long-term success rate, whereas that for ER was 85%. Tube feeding at initial evaluation was an independent predictor of treatment failure (HR 11.33 [1.51-84.97], p = 0.018). CONCLUSIONS: LC1 can be effectively managed with a combination of IA and ER with favorable results. Failure to respond to IA does not preclude ER, and both have their role in management. Patients who are tube fed have a higher probability of treatment failure. We propose a management algorithm that includes reasoning for conservative approaches, and reduces exposure to general anesthesia.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».