What Are Your Patients Reading Online About Soft-tissue Fillers? An Analysis of Internet Information
Notice bibliographique
Résumé
BACKGROUND: Soft-tissue fillers are increasingly being used for noninvasive facial rejuvenation. They generally offer minimal downtime and reliable results. However, significant complications are reported and patients need to be aware of these as part of informed consent. The Internet serves as a vital resource to inform patients of the risks and benefits of this procedure. METHODS: Three independent reviewers performed a structured analysis of 65 Websites providing information on soft-tissue fillers. Validated instruments were used to analyze each site across multiple domains, including readability, accessibility, reliability, usability, quality, and accuracy. Associations between the endpoints and Website characteristics were assessed using linear regression and proportional odds modeling. RESULTS: The majority of Websites were physician private practice sites (36.9%) and authored by board-certified plastic surgeons or dermatologists (35.4%) or nonphysicians (27.7%). Sites had a mean Flesch-Kincaid grade level of 11.9 ± 2.6, which is well above the recommended average of 6 to 7 grade level. Physician private practice sites had the lowest scores across all domains with a notable lack of information on complications. Conversely, Websites of professional societies focused in plastic surgery and dermatology, as well as academic centers scored highest overall. CONCLUSIONS: As the use of soft-tissue fillers is rising, patients should be guided toward appropriate sources of information such as Websites sponsored by professional societies. Medical professionals should be aware that patients may be accessing poor information online and strive to improve the overall quality of information available on soft-tissue fillers.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».