P.132 Blood loss quantification and management strategies in cranial neurosurgery: a systematic review
Notice bibliographique
Résumé
Background: Blood loss quantification and management are important facets of cranial surgery, having been linked with adverse outcomes if management is inadequate. While many studies report estimated blood loss (EBL) as an outcome measure, inconsistencies exist in EBL quantification and management strategies Methods: A systematic review of cranial surgery literature on blood loss measurement and management was conducted according to PRISMA guidelines utilizing a novel software platform, Nested Knowledge Results: Initial search yielded 1029 non-duplicated. 107 full-text studies were included. 70% of studies were retrospective. Most common treatment conditions were 41% craniosynostosis (44/107) and 36% tumor (39/107). Most common EBL measurement methods were comparison of pre-operative and post-operative hemoglobin/hematocrit in 46.7% (50/107), anesthesia record in 26.2% (28/107), and surgeon estimation in 9.3% (10/107). 53.3% of studies did not specify a quantification methodology. Blood loss management strategies also varied, with transfusion being the most common method in 64.5% (69/107) of studies Conclusions: EBL quantification and blood loss management remain important clinical and research metrics. Despite this, significant heterogeneity exists in blood loss quantification and management strategies, with most studies providing no data on EBL quantification. Standardization of EBL quantification/reporting should be undertaken to improve comparability and consistency across studies.
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 | 0,013 | 0,066 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,007 |
| Bibliométrie | 0,010 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,001 |
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 ».