A prospective randomized evaluation of scar assessment measures
Notice bibliographique
Résumé
OBJECTIVES/HYPOTHESIS: To determine the efficacy of interventions to improve and monitor skin scarring, a valid assessment instrument must be used. Current tools used for the evaluation of skin scarring employ equal appearing interval (EAI) scales that assume scar dimensions conform to linear models. Some scar features meet these assumptions, whereas others may not be accurately described. This study determined if current methods of scar evaluation validly characterize inherent features of scars, and in doing so, empirically validate if specific scar dimensions were best represented by linear or nonlinear mathematical models. STUDY DESIGN: Prospective, randomized, cross-over trial. METHODS: Twenty-seven observers evaluated 30 scar photos utilizing both EAI and direct magnitude estimation (DME) scaling methods. The method of scaling and the assessed dimensions of vascularity, pigmentation, thickness, pliability, and surface area were randomized. EAI and DME data were evaluated to identify whether each scar dimension conformed to linear or curvilinear mathematical models. RESULTS: Best-fit analysis revealed the dimensions of vascularity and pigmentation to be more accurately described using curvilinear functions, whereas pliability, thickness and surface area were best defined using linear models. CONCLUSIONS: The scar dimension under assessment must be considered when attempting to validly apply an assessment instrument. Several commonly evaluated dimensions of skin scarring are not appropriately characterized using linear EAI scales. Thus, present assessment instruments must be revised to account for this aberration to allow for a valid means of objectively evaluating skin scarring.
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 | 0,000 |
| 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 ».