Evidence-based Algorithms for Free Deep Inferior Epigastric Perforator Flap Salvage in Autologous Breast Reconstruction
Notice bibliographique
Résumé
Background: Breast reconstruction with the deep inferior epigastric perforator (DIEP) free flap has become the gold standard for autologous breast reconstruction. Flap take-back to the operating room (OR) is an uncommon but difficult situation, requiring prompt and accessible resources. We conducted a literature review and independent expert review to inform evidence-based perioperative algorithms in the event of DIEP flap compromise. Methods: A review of the literature was conducted, including MEDLINE, Embase, Google Scholar, and Cochrane Controlled Register of Trials. Publications examining free flap re-exploration in breast reconstruction were used to inform evidence-based clinical algorithms. The algorithms then underwent expert review and revisions from 6 international experts in microsurgery. Results: Three evidence-based management algorithms were created. The first algorithm outlines perioperative management strategies to optimize patient care and prompt return to the OR. Nonconstricting flap inset after take-back, salvage medical strategies and postoperative management following flap failure were additionally included. Algorithms 2 (venous congestion) and 3 (vascular thrombosis) provide specific intraoperative strategies surrounding mechanical decompression, pedicle exposure, assessment and extraction of thrombosis, identification and use of alternative recipient vessels, and the usage of intraoperative thrombolytics. Conclusions: A coherent and stepwise approach to DIEP flap compromise in breast reconstruction was developed. These expert-reviewed algorithms provide an approachable and evidence-based structure to support return to the OR and serve as readily available resources.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».