A DELPHI CONSENSUS ALGORITHM FOR MODERN REBOA PROGRAMS: EMPLOYING A TITRATABLE CATHETER AND PARTIAL AORTIC OCCLUSION TO ADVANCE THE PROCEDURE
Notice bibliographique
Résumé
BACKGROUND: Technical advances in REBOA catheters have made partial aortic occlusion a more common hemorrhage mitigation strategy in trauma resuscitation. This technique balances hemorrhage control and distal ischemic concerns; however, there are limited data to guide best practices. We aim to provide a pragmatic guideline, based on expert consensus, on the use of pREBOA and partial aortic occlusion for modern REBOA programs. METHODS: A Delphi study was conducted based on 12 experts experienced in pREBOA and partial aortic occlusion. An initial questionnaire was distributed and results anonymously collated into consensus statements. These statements were then anonymously distributed and refined to reach 80% consensus. RESULTS: After the initial questionnaire and two rounds of polling, a total of 15 consensus statements were developed, all reaching >80% agreement. These statements focused around REBOA program development, early common femoral arterial access, REBOA placement, management, and occlusion/reperfusion strategies. CONCLUSION: This Delphi study provides guidance on how to leverage pREBOA and partial aortic occlusion as a resuscitative adjunct. It addresses thresholds for common femoral arterial access, triggers for occlusion, complete versus partial aortic occlusion, computed tomography imaging, pREBOA with thoracic injuries, proximal and distal blood pressure goals, updated ischemia times, strategies for reperfusion, and sheath management. This algorithm provides a framework for the development of REBOA programs that encompasses new REBOA technologies with partial aortic occlusion and guides the user from patient presentation to sheath removal in a modern era.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».