Complications of Aesthetic Liposuction Performed in Isolation: A Systematic Literature Review and Meta-Analysis
Notice bibliographique
Résumé
Introduction: Aesthetic liposuction represents one of the most commonly performed cosmetic procedures worldwide. The purpose of this article is to examine and synthesize reported complication rates and explore the analytical prospect of possible patient or procedure-related predictive factors associated with specific complications. Methods: A systematic review was performed using the Pubmed, Cochrane, and Embase databases in line with specific criteria set to ensure an accurate assessment of complication rates; extracted data was synthesized through a random-effects model and meta-analysis of proportions. Results: A total of 60 studies were included in the meta-analysis, representing 21,776 patients undergoing aesthetic liposuction. Most studies followed an observational design. The overall complication rate was 12% (95% confidence interval [CI] 8%, 16%). When stratifying according to specific complications, the incidence of contour irregularities was determined to be 2% (95% CI 1%, 2%), seroma 2% (95% CI 1%; 2%), hematoma 1% (95% CI 0%, 1%), surgical site infection 1% (95% CI 1%, 2%), fibrosis or induration 1% (95% CI 1%, 2%), and pigmentary changes 1% (95% CI 1%, 1%), among others. A meta-regression to identify patient- or procedure-related factors associated with greater complication rates proved infeasible given the nature of the available data. Conclusion: Overall, liposuction demonstrated a relatively low complication rate profile, however, a considerable degree of heterogeneity exists within the examined literature preventing the recognition of predictive risk factors. While this calls for efforts to establish consensus on unified methods of outcomes reporting, the present meta-analysis can serve to provide practitioners with an evidence-based reference to improve informed consent and inform clinical guidelines, specifically pertaining to the incidence of commonly encountered complications in aesthetic liposuction, of which presently available survey studies and database queries remain devoid.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,016 | 0,037 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».