Donor Nerve Selection in Free Gracilis Muscle Transfer; Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Introduction: One of the crucial factors in facial reanimation surgery is the donor nerve selection. There have been several neurotizers to reinnervate the free gracilis muscle flap (FGMT). Currently the cross-face nerve graft (CFNG) and motor nerve to masseter are the most favored options. The “dual innervation” is described as potential way to combine the advantages of individual donor nerves and has shown successful results. Materials and Methods: Two databases were searched for the CFNG, masseteric nerve and dual innervation of FGMT. Defined primary measures were applied to the results to compare the extent of commissure excursion, facial symmetry at rest and smile, spontaneity, time to flap contraction for each neurotizer. Meta-analysis was conducted for studies including quantitative data for commissure excursion and facial symmetry. We included all study types except the animal studies. Only articles written in English language from 2001 were taken into consideration. We followed PRISMA guidelines. ROBINS-I and Newcastle-Ottawa tools were used to assess the risk of bias and quality for each study included in the meta-analysis. Results: 147 articles on FGMT were systematically reviewed and 13 studies were evaluated in the meta-analysis. All studies were high in quality. Heterogeneity was high among the studies, limiting the efficiency of our meta-analysis. Conclusion: CFNG is the most frequently utilized reinnervation technique. Masseteric nerve is very reliable and has the potential to provide more commissural excursion and higher success rate. Dual innervation is an effective alternative leading to effective clinical outcomes. A globalized and quantitative measurement method will contribute to the future of facial reanimation surgery.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,005 |
| 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) | 0,001 | 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 ».