MétaCan
Menu
Retour à la cohorte
Enregistrement W3026435997 · doi:10.1016/j.burns.2020.05.009

Objective quantification of burn scar stiffness using shear-wave elastography: Initial evidence of validity

2020· article· en· W3026435997 sur OpenAlexaboutno aff
Helen DeJong, S. Abbott, Marilyn Zelesco, Katrina Spilsbury, Mel Ziman, Brendan F. Kennedy, Lisa Martin, Fiona Wood

Notice bibliographique

RevueBurns · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueBurn Injury Management and Outcomes
Établissements canadiensnon disponible
Organismes subventionnairesSiemens Healthineers
Mots-clésMedicineScarsElastographyStiffnessWave velocityUltrasoundSurgeryShear (geology)Nuclear medicineRadiologyStructural engineeringComposite material

Résumé

récupéré en direct d'OpenAlex

Shear-wave elastography (SWE) is an ultrasound based technology that can provide reliable measurements (velocity) of scar stiffness. The aim of this research was to evaluate the concurrent validity of using both the measured velocity and the calculated difference in velocity between scars and matched controls, in addition to evaluating potential patient factors that may influence the interpretation of the measurements. METHODS: A cross-sectional study of 32 participants, with 48 burn scars and 48 matched contralateral control sites were evaluated with SWE, the Vancouver Scar Scale (VSS) and the Patient and Observer Scar Assessment Scale (POSAS) tactile sub-scores. RESULTS: Spearman's rho demonstrated high correlations (r > 0.7) between the measured scar velocity and both the POSAS and VSS pliability sub-scores, whereas moderate correlations (r > 0.6) were found with the calculated difference in velocity. Regression analysis indicated that the association of increased velocity in scars, varied by length of time after burn injury and gender. Body location and Fitzpatrick skin type also demonstrated significant associations with velocity, whereas age did not. CONCLUSION: SWE shows potential as a novel tool to quantify burn scar stiffness, however patient factors need to be considered when interpreting results. Further research is recommended on a larger variety of scars to support the findings.

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)0,017
score de la tête « metaresearch » (Gemma)0,050
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,089

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0170,050
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,216
Tête enseignante GPT0,371
Écart entre enseignants0,155 · 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'étudeExpérimental (laboratoire)
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

Citations13
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBurnsMême sujetBurn Injury Management and OutcomesTravaux en français237 207