Intelligent surgical drainage - digitizing the analysis of drainage fluid in patients with surgical drains
Notice bibliographique
Résumé
Surgical drains are essential in post-operative care, where timely removal is critical to prevent complications. Early removal can result in seromas and hematomas, while delayed removal may lead to infections. Traditional manual analysis of drain output is time-consuming and often unreliable, necessitating a shift towards digital methods. This study used a compact mini-spectrometer to analyze surgical drain output quickly and non-invasively. The spectrometer operates in the 340-850 nm range with 288 discrete detection channels. A total of 528 samples were collected from 181 patients aged 0-85 years. Fourteen laboratory parameters, including albumin, amylase, bilirubin, total protein, LDH, lipase, erythrocytes, hemoglobin, and triglycerides were analyzed. Notable correlations were observed for several parameters. This study employed correlation, regression and classification analyses to investigate the relationships between various biochemical laboratory parameters in drain output and their absorption peaks at specific wavelengths. The data obtained from standard procedures in a certified central laboratory were compared with data collected using the mini-spectrometer. Significant correlations were found, particularly for hemoglobin and erythrocytes at 586 nm (r = -0.67 and r = -0.46, respectively). Hemoglobin also correlated with wavelengths at 514 nm (r = -0.62) and 557 nm (r = -0.45). Bilirubin showed peaks at 582 nm (r = 0.56) and 496 nm (r = -0.49). Regression and classification models, incorporating random effects, provided enhanced performance. The classification models effectively differentiated between pathological and non-pathological values, with hemoglobin showing an area under the curve (AUC) of 0.947 and a Balanced Accuracy (BAC) of 0.853. Triglycerides had an AUC of 0.941 and a BAC of 0.789. Models for LDH, bilirubin, and erythrocytes also achieved AUC values over 0.9, with BAC values exceeding 0.79. This study demonstrates the potential of mini-spectrometers integrated into surgical drains to improve post-operative drainage management, potentially offering faster, more reliable analyses compared to traditional methods.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».