Smart Scar Care-Industry 4.0 in Individualized Compression Garments: A Randomized Controlled Crossover Feasibility Study.
Notice bibliographique
Résumé
BACKGROUND: We tested the workflow and comparability of compression garments (CG) automatically knitted from 3D-body-scan data (3DBSD) versus manually measured data for scar treatment. Industry 4.0 has found its way into surgery, enhancing the trend toward personalized medicine, which plays an increasingly important role in CG scar therapy. Therefore, we conducted a study to evaluate the workflow from 3DBSD to fast and precisely knitted CG and compared it with standard of care. METHODS: A randomized controlled crossover feasibility study was conducted as part of the individual medical technology research project "Smart Scar Care." Objective and patient-reported outcome measures were documented for 10 patients with hypertrophic burn scars at baseline and after wearing CG automatically knitted from 3DBSD versus CG from manually measured data for one month. RESULTS: The "scan-to-knit" workflow and the study design were feasible in 10 of 10 patients. No adverse effects were found. 3DBSD showed a bias of half a centimeter compared with manually measured data and wider limits of agreement. With respect to fit, comfort, suitability, Vancouver Scar Scale, Patient and Observer Scar Assessment Scale, stiffness and microcirculation, this was a promising pilot study. Stiffness and blood flow were increased in scars compared with normal skin. The highest rank correlations were found between pain and itch, stiffness and Patient and Observer Scar Assessment Scale, Vancouver Scar Scale, and pain. CONCLUSIONS: These results indicate that automatically knitted CG using 3DBSD could become an alternative to the standard of care, especially with regard to economical and faster patient care. The produced scan data opens the door for objective scar science.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,001 |
| 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 ».