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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».