Impact of the “July effect” in head and neck microvascular reconstruction: A retrospective review
Notice bibliographique
Résumé
Abstract Objective The “July effect,” a theory that the beginning of the academic year has worse operative outcomes and complication rates, remains controversial. We evaluated the “July effect” as a risk factor for negative operative outcomes in head and neck microvascular reconstruction. Methods Multi‐institutional retrospective review at three academic tertiary care centers from January 2010 to August 2021. Free flaps were stratified by the academic quarter. Patient factors, operative variables, length of stay (LOS), flap failures, and postoperative complications and adverse events were compared between academic quarters 1 and 4. Results We identified 2897 free flaps: 749 quarter 1 (Q1), 693 quarter 2 (Q2), 770 quarter 3 (Q3), and 685 quarter 4 (Q4). Overall flap failure rate was 4.9% ( n = 143), and the most common postoperative complications were wound infection (12.8%, n = 370) and dehiscence (7.6%, n = 221). There were no significant differences between quarters in overall complication rate, flap failures, partial flap necrosis, wound infection, fistula, or hematoma ( p > 0.05). There were also no significant differences in LOS or rates of 30‐day readmission or reoperation ( p > 0.05). Q1 had significantly more dehiscences ( p = 0.04) and longer operative times ( p = 0.001) than Q4. Conclusion Although Q1 surgeries had significantly longer operative times and higher dehiscence rates, we found no other differences in postoperative complications, flap failures, or adverse events by the academic quarter. While a “July effect” may exist due to the integration of new trainees into the surgical workflow, this effect does not translate into meaningful differences in overall free flap or patient outcomes.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,002 |
| Bibliométrie | 0,001 | 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 | 0,002 |
| 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 ».