Outcomes of the Use of Fresh-Frozen Costal Cartilage in Rhinoplasty
Notice bibliographique
Résumé
BACKGROUND: Rhinoplasty is made more challenging when there is insufficient septal cartilage for use as graft material. Several autologous and homologous graft options have been used in the past, although each comes with its own set of challenges. Fresh-frozen costal cartilage (FFCC) is an increasingly popular alternative that yields the benefits of homologous tissue while having a lower theoretical risk profile. Given the relatively novel nature of this option, the authors analyzed the complication rates of Musculoskeletal Transplant Foundation FFCC. METHODS: A retrospective chart review of the use of FFCC in rhinoplasty in the senior author's (R.G.R.) practice was conducted between March of 2018 to December of 2021. A total of 282 cases were reviewed and analyzed for rates of infection, warping, and resorption. Patients with a minimum of 12 months of follow-up were included. RESULTS: The mean age of the study group was 35.8 years, and 27 male and 255 female patients were included. Forty cases were primary rhinoplasties; the remaining 242 were revisions. The mean follow-up period was 20.3 months. Six patients (2.1%) required empiric antibiotics postoperatively; no patient had clinical signs of warping, resorption, or displacement, and 6 patients (2.1%) required operative revision unrelated to the FFCC. CONCLUSIONS: This study provides follow-up data on the complication profile of FFCC in rhinoplasty. Acute infection, warping, and resorption rates were found to be no greater than rhinoplasty complication rates when autologous or homologous tissue is used. FFCC is a safe, convenient, and patient-centered option for graft tissue in rhinoplasty. CLINICAL QUESTION/LEVEL OF EVIDENCE: Therapeutic, IV.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».