Printing in Time for Cranio-Maxillo-Facial Trauma Surgery: Key Parameters to Factor in
Notice bibliographique
Résumé
Study Design: retrospective cohort study. Objective: 3D printing is used extensively in cranio-maxillo-facial (CMF) surgery, but difficulties remain for surgeons to implement it in an acute trauma setting because critical information is often omitted from reports. Therefore, we developed an in-house printing pipeline for a variety of cranio-maxillo-facial fractures and characterized each step required to print a model in time for surgery. Methods: All consecutive patients requiring in-house 3D printed models in a level 1 trauma center for acute trauma surgery between March and November 2019 were identified and analyzed. Results: Sixteen patients requiring the printing of 25 in-house models were identified. Virtual Surgical Planning time ranged from 0h 08min to 4h 41min (mean = 1h 46min). The overall printing phase per model (pre-processing, printing, and post-processing) ranged from 2h 54min to 27h 24min (mean = 9h 19min). The overall success rate of prints was 84%. Filament cost was between $0.20 and $5.00 per model (mean = $1.56). Conclusions: This study demonstrates that in-house 3D printing can be done reliably in a relatively short period of time, therefore allowing 3D printing usage for acute facial fracture treatment. When compared to outsourcing, in-house printing shortens the process by avoiding shipping delays and by having a better control over the printing process. For time-critical prints, other time-consuming steps need to be considered, such as virtual planning, pre-processing of 3D files, post-processing of prints, and print failure 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 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 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 ».