What Do We Know About Treating Recalcitrant Auricular Keloids? A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
BACKGROUND: Recalcitrant auricular keloids are keloids that have recurred after any previous treatment. They have been shown to have an increased likelihood of recurrence. There is no consensus on how best to treat recalcitrant auricular keloids. Here, we perform the first systematic review and meta-analysis investigating the evidence for treating recalcitrant auricular keloids. METHODS: We searched MEDLINE, EMBASE, CINAHL, and EBM Reviews using specific keywords. Prespecified inclusion and exclusion criteria were used to assess article eligibility. Data were extracted for number of recalcitrant keloids, treatment modality, recurrence, and minimum follow-up time. Included articles were stratified by treatment and assigned a level of evidence (LOE) based on the Oxford Centre for Evidence-Based Medicine guidelines. A meta-analysis was performed to estimate recurrence rates with 95% confidence intervals for each treatment modality. RESULTS: A total of 887 unique articles were identified and 13 included. Eleven were LOE III and 2 were LOE IV. Recurrence rates were found to be 9% (95% CI: 3%-25%) for excision with adjuvant brachytherapy, 14% (95% CI: 12%-17%) for excision with adjuvant compression therapy, 17% (95% CI: 3%-56%) for excision with adjuvant external beam radiation, and 18% (95% CI: 4%-53%) for excision with adjuvant steroid injections. No statistical significant difference was found. CONCLUSIONS: Data for treatment of auricular keloids are heterogeneous with few high-quality studies. Excision with adjuvant brachytherapy has the lowest recurrence rate in our analysis. Narrow confidence intervals reported here for brachytherapy and compression therapy may help surgeons more confidently recommend either of these treatment modalities to patients.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,022 | 0,007 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,001 | 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 ».