Comparison of the effect of silicone gel sheets by thickness on excisional scars in pediatric and adolescent patients
Notice bibliographique
Résumé
Background Selecting effective products among the various types of silicone gel sheets can be challenging for surgeons. Therefore, we assessed the effect of silicone gel sheet thickness on surgical scars in pediatric and adolescent patients.Methods From December 2017 to May 2018, we identified patients aged 1–19 years who underwent excision. Among these patients, those who were prescribed 0.3-mm or 1.0-mm-thick silicone sheets were selected. Scars were subjectively evaluated using a questionnaire consisting of seven items. Objective evaluation was performed by two plastic surgeons using the Vancouver Scar Scale (VSS).Results The mean age of the 49 selected patients was 9.78 years. The patients were divided into two groups according to the thickness of the silicone gel sheet used (0.3 mm vs. 1.0 mm). Objective evaluation of the patients’ scars revealed more favorable results in the 0.3 mm group than in the 1.0 mm group (P=0.010). Multivariate analysis of VSS scores indicated that the resulting scars in cases involving the trunk were of poorer quality than those involving facial areas (P=0.015). Additionally, favorable (i.e., below-average) VSS scores were significantly less likely in patients with longer scars (odds ratio, 0.896; 95% confidence interval, 0.834–0.963; P=0.003) or thicker silicone sheets (odds ratio, 0.085; 95% confidence interval, 0.011–0.699; P=0.019).Conclusions The use of thinner silicone gel sheets in children and adolescents resulted in better scars according to subjective evaluations, underscoring the importance of compliance in pediatric patients. The type of operation and surgical lesion should also be considered when planning the management of surgical scars.
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 | 0,000 | 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 ».