<i>In-Vivo</i> Detection of the Facial Nerve From Adjacent Tissues Using Microelectrodes With Selective Passivation During Parotidectomy
Notice bibliographique
Résumé
Iatrogenic facial nerve injury often occurs during parotidectomy owing to the difficulty associated with accurately locating the facial nerve from adjacent tissues (parotid gland and muscle). This injury causes postoperative facial nerve dysfunction, leading to functional and/or cosmetic problems. In this study, we propose anin-vivodetection method to distinguish the facial nerve from the adjacent tissues using electrochemical impedance spectroscopy (EIS). The electrical impedance of the facial nerve, parotid gland, and muscle viain-vivoexperiments using guinea pigs (n = 3) was measured using microelectrodes on polyimide film (MoP), consisting of detection and connection parts. The connection part was selectively coated with a photoresist that exhibits high resistivity to attenuate a distortion of the sensor output. Statistically significant differences in impedance of the real and imaginary parts were observed between the facial nerve and the adjacent tissues in the frequency range of 0.99 kHz to 1 MHz (p-value < 0.05, t-test). Optimal frequency, where the difference between adjacent tissues and facial nerve had the most distinction, were 13.64 kHz in the imaginary part of impedance. Additionally, the estimated electrical properties (conductivity and permittivity) of the facial nerve and adjacent tissues were statistically distinguishable (p-value < 0.05, t-test). These findings indicate that MoP with EIS could enable surgeons to easily locate the facial nerve during parotidectomy.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 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 | 0,001 | 0,000 |
| 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 source (Gemma direct ou Codex distillé), 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 ».