Evaluating SnapshotNIR for Tissue Oxygenation Measurement Across Skin Types After Mastectomy
Notice bibliographique
Résumé
Accurate monitoring of mastectomy skin flap (MSF) perfusion is critical, especially in patients with darker skin pigmentation at higher risk of misdiagnosed tissue ischemia. Near-infrared spectroscopy (NIRS) devices, such as SnapshotNIR, offer real-time tissue oxygen saturation measurements (StO2), but their accuracy across skin pigmentation levels remains unexplored. This quasi-experimental study included 33 patients undergoing mastectomy. MSF edge ΔStO2, defined as preoperative minus postoperative StO2, was measured using SnapshotNIR device (Kent Imaging, Calgary, AB, Canada) pre- and post-mastectomy. By definition, a positive ΔStO2 indicates a decrease in tissue oxygenation, while a negative ΔStO2 indicates an increase relative to baseline. ΔStO2 was analyzed against Fitzpatrick scores to assess skin pigmentation impact on measurement accuracy. ΔStO2 (mean ± SD) progressively decreased with increasing Fitzpatrick score: 14.0 ± 22.98 for score 1, 6.87 ± 17.45 for score 2, −3.13 ± 6.89 for score 3, and −40.75 ± 22.27 for score 5, indicating a shift from positive to negative O2 change. Fitzpatrick scores significantly correlated with ΔStO2 (ρ = −0.392, p = 0.016). ANOVA confirmed differences (p = 0.008), with Tukey’s post hoc testing showing significant differences between Fitzpatrick scores 1 and 5 (p = 0.022), and 2 and 5 (p = 0.006). SnapshotNIR technology demonstrated measurable sensitivity for detecting changes in StO2 and predicting ischemia; however, NIRS-based devices may overestimate oxygenation in darker skin pigmentation, highlighting a need for device calibration to improve accuracy across skin tones.
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 ».