Fur apposition technique—a new technique for simple laceration closure in small animals (dogs and cats): a pilot study
Notice bibliographique
Résumé
Objective: To assess the feasibility of the fur apposition technique (FAT) for simple laceration closure and to compare this technique to standard suturing in wound healing percentages, repair time, and time to discharge. Methods: This study was a prospective, nonrandomized, controlled feasibility study. Ten client-owned dogs and 2 client-owned cats presenting to an emergency clinic with simple lacerations from June 2022 to September 2023 were assigned to either the standard suturing group or FAT group for simple laceration closure. Lacerations were rechecked at 10 to 14 days, and the wound healing percentage was assessed. Closure repair time and time to discharge were evaluated as secondary outcome measures. Results: All 16 wounds (8 sutured and 8 FAT) were classified as healed by a veterinarian at recheck. No statistical difference was seen when wound healing percentage was evaluated between groups (mean difference, 5.65; t = 0.61; 95% CI, -8.55 to 15.44). The FAT resulted in faster time to discharge (median, 43.0 minutes; IQR, 38.5 to 65.0 minutes) compared to standard suturing (median, 118.0 minutes; IQR, 51.5 to 161.0 minutes; z = -2.32). No difference was found in repair time when the time to suture the wound was evaluated (median, 15.0 minutes; IQR, 6.0 to 25.5 minutes) compared to closure time with FAT (median, 10.0 minutes; IQR, 4.25 to 16.0 minutes; z = -1.053). All clinicians classified FAT as feasible for simple laceration closure in this population. Conclusions: FAT is a feasible, simple laceration closure technique in small animal patients. Clinical Relevance: Methods other than suturing can be considered for simple laceration closure in small animals.
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 | 0,001 |
| 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 ».