Improving splenic conservation rate after trauma by applying a protocol for non-operative management and follow-up: A propensity-score analysis
Notice bibliographique
Résumé
Background: There are shared guidelines about Non-Operative Management (NOM) of splenic injuries, but some unanswered questions remain. The aim of the present study is to establish the usefulness of a standardized protocol for management and follow-up of NOM patients with splenic injuries. Methods: Multicenter retrospective observational study including patients with major blunt trauma (ISS >15) with splenic injuries managed between January 1 st 2014 and December 31 st 2016 in two Italian I level Trauma Centers: one with a standardized management and follow-up protocol for NOM (Bufalini Hospital, Cesena, BH), and the other without it (ASST Papa Giovanni XXIII Hospital, Bergamo, PG23H). Comparison between patients’ outcomes were performed and a propensity score model was calculated. Results: 47 patients managed in BH and 49 patients in PG23H were included. In BH, a higher proportion of patients was treated with NOM (72.3 % vs. 53.1 %, p = 0.051). There was no difference in complication rate and mortality in patients treated with NOM in the two hospitals. A borderline significant trend to a higher NOM failure rate in PG23H was found (BH 0.0 % vs. PG23H 11.3 %, p = 0.076). The total splenic conservation rate was significantly higher in BH (BH 72.3 % vs. PG23H 46.9 %, p = 0.011). After the Propensity Score based matching, 72 patients were included and the total splenic conservation rate was significantly higher in BH (BH: 77.8 % vs. PG23H: 50.9 %, p = 0.014). Conclusions: The application of a protocol for in-hospital management and follow-up for NOM of patients with splenic injury could decrease the NOM failure rate and improve splenic conservation rate.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».