Forearm fasciotomies for acute compartment syndrome: Big data analysis
Notice bibliographique
Résumé
ABSTRACT Purpose: To investigate the incidence, risk factors, demographics, and association in the analysis of acute compartment syndrome of the forearm. Methods: A retrospective review of the Trauma Quality Programs data from the American College of Surgeons. This includes 120,556 patients who sustained a forearm fracture from 2015 to 2018 (4 calendar years). The main outcome measurements are fasciotomies performed after sustaining a forearm fracture, thus suggesting acute compartment syndrome. Results: Fasciotomies were performed in 1.6% of all forearm fractures. Open fractures were 5 times more likely to lead to fasciotomies. Being a male was associated with an increased likelihood of fasciotomies of 64%. Complex fractures (OTA type C) exhibited 74% stronger likelihood of fasciotomies compared to simple fractures. Patients with a history of substance abuse disorder (SAD) were 45% more likely to undergo a fasciotomy compared to patient with no SAD. Multiple other factors were addressed while controlling for cofounders. Conclusion: This big data analysis provided a holistic perspective on the risk factors, demographics, and clinical association of ACS in the forearm. There is a clear need for a gold standard diagnosis for ACS to provide better care for the patients: whether it is continuous pressure monitoring, validated biomarkers, or other biomarkers. Level of Evidence: III, retrospective database cohort study. Highlights:
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 | 0,008 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 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 ».