Multidisciplinary Practice Variations of Anti-Thrombotic Strategies for Free Tissue Transfers
Notice bibliographique
Résumé
Background: Venous thrombosis, the leading cause of free flap failure, may have devastating consequences. Many anti-thrombotic agents and protocols have been described for prophylaxis and treatment of venous thrombosis in free flaps. Methods: National surveys were distributed to microsurgeons (of both Plastics and ENT training) and hematology and thrombosis specialists. Data were collected on routine screening practices, perceived risk factors for flap failure, and pre-, intra-, and post-operative anti-thrombotic strategies. Results: There were 722 surveys distributed with 132 (18%) respondents, consisting of 102 surgeons and 30 hematologists. Sixty-five surgeons and 9 hematologists routinely performed or managed patients with free flaps. The top 3 perceived risk factors for flap failure according to surgeons were medical co-morbidities, past arterial thrombosis, and thrombophilia. Hematologists, however, reported diabetes, smoking, and medical co-morbidities as the most important risk factors. Fifty-four percent of physicians routinely used unfractionated heparin (UFH) or low-molecular-weight heparin (LMWH) as a preoperative agent. Surgeons routinely flushed the flap with heparin (37%), used UFH IV (6%), or both (8%) intra-operatively. Surgeons used a range of post-operative agents such as UFH, LMWH, aspirin, and dextran while hematologists preferred LMWH. There was variation of management strategies if flap thrombosis occurred. Different strategies consisted of changing recipient vessels, UFH IV, flushing the flap, adding post-operative agents, or a combination of strategies. Conclusions: There are diverse practice variations in anti-thrombotic strategies for free tissue transfers and a difference in perceived risk factors for flap failure that may affect patient management.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».