Identification of factors predicting scar outcome after burn injury in children: a prospective case-control study
Notice bibliographique
Résumé
BACKGROUND: There is a lack of rigorous research investigating the factors that influence scar outcome in children. Improved clinical decision-making to reduce the health burden due to post-burn scarring in children will be guided by evidence on risk factors and risk stratification. This study aimed to examine the association between selected patient, injury and clinical factors and the development of raised scar after burn injury. Novel patient factors were investigated including selected immunological co-morbidities (asthma, eczema and diabetes type 1 and type 2) and skin pigmentation (Fitzpatrick skin type). METHODS: A prospective case-control study was conducted among 186 children who sustained a burn injury in Western Australia. Logistic regression was used to explore the relationship between explanatory variables and a defined outcome measure: scar height measured by a modified Vancouver Scar Scale (mVSS). RESULTS: The overall correct prediction rate of the model was 80.6%; 80.9% for children with raised scars (>1 mm) and 80.4% for children without raised scars (≤1 mm). After adjustment for other variables, each 1% increase in % total body surface area (%TBSA) of burn increased the odds of raised scar by 15.8% (95% CI = 4.4-28.5%). Raised scar was also predicted by time to healing of longer than 14 days (OR = 11.621; 95% CI = 3.727-36.234) and multiple surgical procedures (OR = 11.521; 1.994-66.566). CONCLUSIONS: Greater burn surface area, time to healing of longer than 14 days, and multiple operations are independently associated with raised scar in children after burn injury. Scar prevention strategies should be targeted to children with these risk factors.
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) | 0,001 | 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 ».