MétaCan
Menu
Retour à la cohorte
Enregistrement W3009048188 · doi:10.1093/jbcr/iraa024.360

783 Scar Revisions: Are We Asking the Right Questions?

2020· article· en· W3009048188 sur OpenAlexaff
Natalia Ziolkowski, Jennifer Zuccaro, Joel Fish

Notice bibliographique

RevueJournal of Burn Care & Research · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueDermatologic Treatments and Research
Établissements canadiensHospital for Sick ChildrenUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMedicineScarsPsychosocialPromEtiologyGold standard (test)Psychological interventionSurgeryPathologyInternal medicinePsychiatry

Résumé

récupéré en direct d'OpenAlex

Abstract Introduction Scars have wide-ranging effects on the individual and as such, many seek to have their scars. Currently, there is no gold standard for conducting scar revision consults. Scar-specific patient-reported outcome measures (PROM) are questionnaires created by individuals with scars and encompass all concepts of interest (COI) important to them. PROMs can be used for quality improvement (QI) initiatives to determine if all COI are being asked of patients. SCAR-Q, a new, internationally validated, scar-PROM measuring COI related to scar appearance, symptoms and function, and psychosocial impact was used. The purpose of this QI study was to determine if COI important to patients with scars are routinely asked during scar revision consults. Methods All scar revisions consults from July 1, 2017 to June 30, 2019 were reviewed at a single pediatric hospital using an electronic database. This study represents Phase 1 of the QI study approved by the institution and follows Model for Improvement methodology. Inclusion criteria were: patient aged ≥8 years, had a cutaneous scar, and speak English. Demographic information included: gender, age; and items related to the patient’s scar including etiology, time since injury, location, interventions; COI encompassed by SCAR-Q. Results 162 electronic patient charts were reviewed with 88 meeting inclusion criteria. 45 were females (51.1%) with an average age of 12.6(SD 3.1, 8–20 years) with time since injury scar of 4.0 years (SD4.6,1 month-17 years). Burns, specifically scalds (18,45.0%) were the most common etiology (40,45%). Scars were located predominantly on the face/scalp (34,39.5%), chest (16,18.6%), and arm (15,17.4%). Most patients had no previous scar intervention at the time of the consultation (43, 51.2%). No scar revision consults encompassed all COI as defined by the SCAR-Q with appearance and Symptom/Function questions being more common than Psychosocial (Table 1). Specifically, scar color, hardness/thickness, disliking the scar were the most frequently asked questions (Table 2). Conclusions There is currently no established gold standard for conducting scar revision consults. SCAR-Q, a newly validated scar-specific PROM was used to determine if all questions that are important to individuals with scars were asked during routine scar revision consults. The most common questions asked of individuals with scars were related to appearance followed closely by symptoms/functional implications. Questions related to psychosocial impact are not routinely asked and represent a large area of improvement. Next steps include implementing a scar-specific PROM to ensure that all COI are implemented in routine clinical care. Applicability of Research to Practice This research is applicable to practice as it shows that PROM can be utilized for QI studies including identifying areas that are lacking in scar revision consults.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,032
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,054

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,032
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0160,003

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.

Tête enseignante Opus0,143
Tête enseignante GPT0,454
Écart entre enseignants0,311 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Burn Care & ResearchMême sujetDermatologic Treatments and ResearchTravaux en français237 207