RETALHOS LOCAIS VS. ENXERTOS CUTÂNEOS EM CIRURGIA ONCOLÓGICA DE CABEÇA E PESCOÇO: UMA REVISÃO SISTEMÁTICA
Bibliographic record
Abstract
Introdução: A reconstrução de defeitos cirúrgicos após a ressecção de tumores na cabeça e pescoço é crucial para restaurar a função e a estética. As principais opções de cobertura envolvem o uso de retalhos locais (RL) e enxertos cutâneos (EC). Objetivo: Comparar os resultados clínicos, estéticos e a taxa de recidiva entre o uso de Retalhos Locais e Enxertos Cutâneos para reconstrução de defeitos oncológicos na região de cabeça e pescoço. Métodos: Foi realizada uma revisão sistemática da literatura em bases de dados eletrônicas (Medline/PubMed, LILACS e Scopus), utilizando termos MeSH e palavras-chave relacionados à "Cirurgia Oncológica", "Cabeça e Pescoço", "Retalhos Locais" e "Enxertos Cutâneos". Estudos comparativos (ensaios clínicos randomizados, estudos de coorte e caso-controle) publicados nos últimos 15 anos, avaliando as taxas de complicação, recidiva e resultados estéticos/funcionais, foram incluídos. A qualidade metodológica foi avaliada utilizando a escala de Newcastle-Ottawa. Resultados: Foram incluídos 12 estudos na revisão. Os resultados indicam que os Retalhos Locais estão associados a uma menor taxa de recidiva local (Tabela 2) e melhores resultados estéticos e funcionais, embora possam apresentar um tempo operatório ligeiramente maior e maior morbidade no sítio doador (se aplicável). Os Enxertos Cutâneos demonstram maior simplicidade técnica e menor tempo de internação em alguns contextos, mas com resultados estéticos inferiores e maior risco de contratura. Conclusão: Os Retalhos Locais representam a técnica preferencial para reconstruções de cabeça e pescoço onde a complexidade do defeito e o impacto funcional são maiores, oferecendo um resultado mais robusto e, potencialmente, oncológico mais seguro. A escolha da técnica deve ser individualizada com base no tamanho e profundidade do defeito e nas comorbidades do paciente.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.011 | 0.026 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.004 | 0.004 |
| Bibliometrics | 0.016 | 0.020 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.007 | 0.006 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".