Motor Function in the Setting of Nerve Allografts: Is This the Future of Facial Nerve Reconstruction?
Notice bibliographique
Résumé
Background: Peripheral nerve injuries, especially involving the facial nerve, present unique reconstructive challenges due to their complex functional demands and limited regenerative potential. While autografts remain the gold standard, their drawbacks-such as donor-site morbidity and limited availability-have driven interest in processed nerve allografts. Acellular grafts, in particular, offer promising off-the-shelf alternatives without the need for immunosuppression. Methods: We conducted a narrative review of the literature (1990-2023), identifying 55 peer-reviewed studies via PubMed, Embase, and Cochrane Library. The studies included clinical and preclinical work on motor nerve regeneration using processed nerve allografts, with particular attention to outcomes in facial nerve repair. Two independent reviewers conducted abstract screening, full-text review, and data extraction. Results: Processed nerve allografts show encouraging motor recovery in gaps under 50 mm, with recovery rates of up to 85% reported. Outcomes decrease significantly in longer gaps (>50-60 mm) and in complex cases, including facial nerve repairs, where evidence remains sparse and largely extrapolated from broader motor nerve data. Registry data (e.g., RANGER) support their use but are limited by heterogeneity and lack of randomization. Conclusions: Processed nerve allografts represent a viable alternative to autografts in selected cases-especially short to mid-length motor nerve defects. However, their role in facial nerve reconstruction remains insufficiently studied. Further trials are needed to address specific anatomical and functional challenges in this subgroup and to clarify long-gap efficacy.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,005 | 0,002 |
| 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 ».