Low-temperature electrocautery reduces lead-related complications: insights from the WRAP-IT study
Notice bibliographique
Résumé
Abstract Background Patients with an existing cardiovascular implantable electronic device (CIED) often require a generator replacement or system upgrade/revision, during which some degree of dissection is usually necessary to free the existing lead(s). Commonly used techniques include blunt dissection, standard surgical electrocautery, or newer forms of electrocautery such as the low-temperature electrosurgical device (PlasmaBlade Soft Tissue Dissection Device) designed to minimize inadvertent thermal injury to leads. Objective Determine whether the dissection technique impacts the likelihood of developing a lead-related complication. Methods The WRAP-IT trial enrolled patients undergoing CIED replacement, upgrade, revision or de novo CRT-D implant. This analysis excluded patients undergoing a de novo procedure. All adverse events were adjudicated by an independent physician committee. Data were analyzed using Cox proportional hazard regression modeling, controlling for capsulectomies and lead dissections. Results 5639 patients (mean [±SD] age: 70.6±12.7 years; 28.8% female) underwent a replacement/upgrade/revision. Electrocautery was used in 5203 (92.3%) patients and among these, low-temperature electrocautery was used in 1866 (35.9%) patients. Compared to standard electrocautery, low-temperature electrocautery was used more often when leads were dissected or mobilized (P<0.001) or when a partial or complete capsulectomy was performed (P<0.001). Use of low-temperature electrocautery was associated with a 31% reduction in lead-related complications (HR: 0.69, 95% CI: 0.49–0.98, P=0.037) (Figure). Conclusion The low-temperature electrosurgical device (PlasmaBlade) uses precise pulses of radiofrequency energy to dissect tissue with only minimal thermal damage. In this large cohort of replacement, revision, and upgrade procedures, use of low-temperature electrocautery led to significantly fewer lead-related complications. Funding Acknowledgement Type of funding source: Private company. Main funding source(s): Medtronic
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».