MétaCan
Menu
Retour à la cohorte
Enregistrement W6945283295 · doi:10.25384/sage.c.6747611

Can we predict failure of non-operative management of blunt splenic injuries on arrival? A comparison of predictors of immediate splenectomy versus splenectomy secondary to non-operative management failure

2023· other· en· W6945283295 sur OpenAlexaffabout

Notice bibliographique

RevueSage Journals Data · 2023
Typeother
Langueen
Domaine
Thématique
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésSplenectomyInjury Severity ScoreBluntSplenic diseaseBlunt traumaLogistic regressionShock (circulatory)

Résumé

récupéré en direct d'OpenAlex

Aims and BackgroundThe spleen is the most frequently injured solid organ after blunt trauma and a trial non-operative management (NOM) has become the standard of care in hemodynamically stable patients. It remains uncertain which patients are at increased risk of non-operative management failure (NOMF) at initial presentation. We explored whether clinical variables including the contemporary rotational thromboelastography (ROTEM) parameters are predictive of NOMF.Materials and MethodsData for all adult patients with a blunt splenic injury was collected retrospectively at St. Michael’s Hospital in Toronto, Canada between 2005 and 2021. Those who underwent a splenectomy within 4 hours of presentation were classified as direct operative management (OM), while those who had a splenectomy after 4 hours of observation were classified as NOM failure. Vital signs on arrival and injury characteristics were collected. Logistic regression was used to identify predictors of OM and predictors of NOM failure.ResultsSeven hundred and seventeen patients were identified with splenic injury during our study period. The median Injury Severity Score (ISS) was 27 (IQR 17–36), and 19% (n = 134) had a shock index of 1 or more. One hundred and eleven (15.5%) underwent direct operative management. A shock index above 1 and increasing spleen injury severity were strong predictors of patients undergoing direct OM. The remaining 606 patients underwent NOM of which 59% (n = 357) of these were admitted to the ICU. NOM failure occurred in 7.4% (n = 45) with a median time to NOM failure of 23 (IQR 8–72) hours. The American Association for the Surgery of Trauma (AAST) spleen injury severity was the major factor significantly associated with NOM failure.ConclusionsThe only major predictor of NOMF available on arrival is increased spleen injury grade. Other clinical variables such as age, vital signs on arrival, and bloodwork were not significantly able to predict NOM failure. Additional investigation is required to identify novel predictors of NOM failure.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,030
Tête enseignante GPT0,338
Écart entre enseignants0,308 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSage Journals DataTravaux en français237 207