What Is Driving Paradigm Shifts in Plastic Surgery and Is Cosmetic Surgery Keeping Up?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Cosmetic surgery represents 20 to 30 percent of total plastic surgical volume. The authors hypothesize that with current capitalization and market share, cosmetic surgery should be proportionally represented in scientific innovation. METHODS: All journals that may contain articles relevant to plastic surgery were selected from the 2016 edition of Journal Citation Reports. The authors identified, reviewed, and analyzed the 100 top-cited plastic surgery clinical articles using the Science Citation Index Expanded (1900 to 2017) as a proxy for innovation. RESULTS: The top-100 articles were cited a median of 329.5 times (range, 240 to 1709 times). Sixteen journals were represented, led by Plastic and Reconstructive Surgery (45 percent) and Annals of Surgery (15 percent). Fifty-six percent were reconstructive, 13 percent were breast, 11 percent were pediatric/craniofacial, 11 percent were cosmetic, and 9 percent were hand/peripheral nerve articles. Only 11 percent of articles represented level of evidence I or II, with the majority (79 percent) of articles being level IV. Sixty-seven percent of publications originated from United States. The 11 cosmetic articles originated from different subspecialties: injectables, fillers, and fat grafting (n = 7); contouring (n = 2); facial cosmetic (n = 1); and general cosmetic (n = 1). CONCLUSIONS: Cosmetic innovation is not keeping up with reconstructive innovation; it is unknown why cosmetic surgery is lacking. The authors offer several speculations as to why there is a gap in cosmetic surgical research and, by proxy, innovation.
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.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,009 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 découle