Preoperative Angiography for Free Fibula Flap Harvest: A Case Series
Notice bibliographique
Résumé
Purpose: To assess if preoperative angiography of the lower extremity is necessary to detect abnormalities that alter operative planning of a free fibula flap (FFF). The secondary objective is to determine whether abnormalities are identified on physical examination. Methods: A retrospective case series of patients receiving preoperative lower extremity angiography for FFF was performed. Between November 2004 and July 2016, patients assessed for FFF reconstruction by a single surgeon were reviewed. Outcomes analyzed were preoperative physical examination, angiography findings, changes in operative plan, and perioperative complications including flap failure and limb ischemia. Level of agreement between physical examination and angiography findings was analyzed. Results: A total of 132 consecutive patients were assessed for FFF, of which 70 met the inclusion criteria. Mean age was 60.9 (range: 22-88) years old. All patients underwent aortic angiogram runoff, except for 2 who received computed tomography angiography. The surgical plan was altered based on angiography findings in 9 (12.9%) patients, and 7 (77.8%) of these cases had a normal physical examination. A further 6 (8.6%) patients had physical examination findings precluding the use of FFF, whereas imaging demonstrated the contrary. Physical examination demonstrated low predictability of aberrant vascular anatomy, with a sensitivity of 22.2%. There were no limb ischemia complications. Conclusions: Routine preoperative angiography of the lower extremity for all patients being evaluated for FFF is important to ensure safety and success of the procedure. Physical examination alone is insufficient to detect vascular abnormalities that may result in limb or flap compromise.
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 | 0,006 |
| 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 | 0,000 |
| 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 ».