Gram-Negative Surgical Site Infections After 989 Spinal Fusion Procedures: Associated Factors and the Role of Gram-Negative Prophylactic Antibiotic Coverage
Notice bibliographique
Résumé
BACKGROUND: To identify, analyze, and report the patient- and procedure-related factors associated with surgical site infection (SSI) after spinal fusion (SF) surgery. METHODS: We included any SSI-SF from January 2013 to September 2015. A total of 989 spine surgeries that required instrumentation were performed. RESULTS: Twenty-four out of 989 (2.43%) patients presented with SSI. More than half of the SSI cases (54%) got infected with either exclusively gram-negative bacteria or a combination of gram-negative and gram-positive bacteria; 9.1% of the surgeries involved the sacral spine (90 out of 989 patients). SSI in long constructs (more than 3 levels) was performed in 66.7% compared with 33.3% with short constructs; 87.5 % of the reported SSI (21 patients) were done through a posterior approach. Of patients who had SSI, 87.5% received prophylactic antibiotics, 92% were operated on during the daytime shift, 50% required blood transfusion, and 79% required surgical debridement. Four patients out of 24 patients died (17%) due to unrelated SSI complications. CONCLUSIONS: The overall incidence of gram-negative infections after long SFs remains low in our study population. Despite this low overall incidence, our results demonstrate a relative higher incidence of gram-negative SSIs in surgeries involving more than 3 spinal levels and for all those involving the sacral spine. We propose that there may be a potential benefit of gram-negative prophylactic antibiotic coverage in patients falling in either 1 of these categories. Further multivariate analysis and/or randomized studies may be necessary to confirm our results. LEVEL OF EVIDENCE: 3.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».