A Toolbox of Surgical Techniques for Palatal Fistula Repair
Notice bibliographique
Résumé
OBJECTIVE: To provide an inventory of oronasal fistula repair techniques alongside expert commentary on which techniques are appropriate for each fistula type. DESIGN: A 4-stage approach was used to develop a consensus on surgical techniques available for fistula repair: (1) in-person discussion of oronasal fistula cases among cleft surgeons, (2) development of a schema for fistula management using transcripts of the in-person case discussion, (3) evaluation of the preliminary schema via a web-based survey of additional cleft surgeons, and (4) revision of the management schema using survey responses. PARTICIPANTS: Six cleft surgeons participated in the in-person case discussion. Eleven additional surgeons participated in the web-based survey. Participants had diverse training experiences, having completed residency and fellowship at 20 different hospitals. RESULTS: A schema for fistula management was developed, organized by fistula location. The schema catalogues all viable approaches for each location. For fistulae involving the soft palate, the schema stresses the importance of evaluating for velopharyngeal insufficiency (VPI) and incorporating VPI management into fistula repair. For fistulae involving the hard palate, the schema separately enumerates the techniques available for nasal lining repair and for oral lining repair in each region. The schema also catalogues the diversity of approaches to lingual- and labioalveolar fistula, including variation in timing, orthodontic preparation, and simultaneous alveolar bone grafting. CONCLUSIONS: This study employed consensus methods to create a comprehensive inventory of available fistula repair techniques and to identify preferential techniques among a diverse group of surgeons.
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 | 0,000 |
| 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 ».