Expediting operational damage control laparotomy closure : iTClampTM vs suturing during damage control surgical simulation training
Notice bibliographique
Résumé
Background: As recent innovations in informatic technology allow for specialist support to point-of-care (POC) providers, advanced interventions, such as damage control surgery (DCS), may be possible on the front lines. However, for non-surgeons suturing is a very complex procedural skill, and thus other operational laparotomy closure techniques are needed. Methods: The study was a head-to-head comparison of laparotomy closure in an anatomically realistic surgical training mannequin (the “Cut-suit”) following a perihepatic DCS packing exercise. After skin-only closure with either the iTClamp or suture, the primary outcomes were completeness of closure and time to close. Six board-certified surgeons performed the same task as 12 military medical technicians (MT) who were randomized to unsupported (n = 5; UMT) or remotely telementored (n = 7; RTM) with real-time guidance by a trauma surgeon. Results: No study participants were able to close the incision with sutures and 0.55 achieved closure with the iTClamp. iTClamp application was superior to suturing when examining length of incision closed (p < 0.001), percent of incision closed (p < 0.001) and time to close incision (p = 0.008). Surgeons outperformed the RMT and UMTs on percent closed (p = 0.001, p = 0.004) and length closed (p = 0.001, p = 0.004) when suturing. However, MTs performed as well as the surgeons when using the iTClamp. All participants preferred the iTClamp to suturing, thought it was easy to use and learn to use and was applicable to DCS. Conclusion: Laparotomy closure following DCS in an anatomically realistic surgical mannequin was readily performed by military medical technicians and trained surgeons. The iTClamp proved to be a faster and easier modality to achieve incision closure compared to suturing.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».