Does negative pressure wound therapy reduce the odds of infection and improve health-related quality of life in patients with open fractures?
Notice bibliographique
Résumé
Aims To evaluate the impact of negative pressure wound therapy (NPWT) on the odds of having deep infections and health-related quality of life (HRQoL) following open fractures. Methods Patients from the Fluid Lavage in Open Fracture Wounds (FLOW) trial with Gustilo-Anderson grade II or III open fractures within the lower limb were included in this secondary analysis. Using mixed effects logistic regression, we assessed the impact of NPWT on deep wound infection requiring surgical intervention within 12 months post-injury. Using multilevel model analyses, we evaluated the impact of NPWT on the Physical Component Summary (PCS) of the 12-Item Short-Form Health Survey (SF-12) at 12 months post-injury. Results After applying inverse probability treatment weighting to adjust for the influence of injury characteristics on type of dressing used, 1,322 participants were assessed. The odds of developing a deep infection requiring operative management within 12 months of initial surgery was 4.52-times higher in patients who received NPWT compared to those who received a standard wound dressing (95% confidence interval (CI) 1.84 to 11.12; p = 0.001). Overall, 1,040 participants were included in our HRQoL analysis, and those treated with NPWT had statistically significantly lower mean SF-12 PCS post-fracture (p < 0.001). These differences did not reach the minimally important difference for the SF-12 PCS. Conclusion Our analysis found that patients treated with NPWT had higher odds of developing a deep infection requiring operative management within 12 months post-fracture. Due to possible residual confounding with the worst cases being treated with NPWT, we are unable to determine if NPWT has a negative effect or is simply a marker of worse injuries or poor access to early soft-tissue coverage. Regardless, our results suggest that the use of this treatment requires further evaluation. Cite this article: Bone Jt Open 2022;3(3):189–195.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».