Characterization of Near-Infrared Imaging and Indocyanine-Green Use Amongst General Surgeons: A Survey of 263 General Surgeons
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Near-infrared fluorescence imaging (NIRFI) is an increasingly utilized imaging modality, however its use amongst general surgeons and its barriers to adoption have not yet been characterized. METHODS: This survey was sent to Canadian Association of General Surgeons and the Society of American Gastrointestinal and Endoscopic Surgeons members. Survey development occurred through consensus of NIRFI experienced surgeons. RESULTS: Survey completion rate for those opening the email was 16.0% (n = 263). Most respondents had used NIRFI (n = 161, 61.2%). Training, higher volumes, and bariatric, thoracic, or foregut subspecialty were associated with use (P < .001).Common reasons for NIRFI included anastomotic assessment (n = 117, 72.7%), cholangiography (n = 106, 65.8%), macroscopic angiography (n = 66, 41.0%), and bowel viability assessment (n = 101, 62.7%). Technical knowledge, training and poor evidence were cited as common barriers to NIRFI adoption. CONCLUSIONS: NIRFI use is common with high case volume, bariatric, foregut, and thoracic surgery practices associated with adoption. Barriers to use appear to be lack of awareness, low confidence in current evidence, and inadequate training. High quality randomized studies evaluating NIRFI are needed to improve confidence in current evidence; if deemed beneficial, training will be imperative for NIRFI adoption.
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 découle