Lasers and Intense Pulsed Light for the Treatment of Pathological Scars: A Network Meta-Analysis
Notice bibliographique
Résumé
BACKGROUND: Laser and intense pulsed light (IPL) therapies have shown promising effects on pathological scars, but the comparative effectiveness of laser and IPL therapies has not yet been studied. OBJECTIVES: The aim of this study was to compare and rank the efficacy of laser and IPL therapies to determine the most effective treatment method for pathological scars. METHODS: Relevant studies published up to February 2022 were identified by searching PubMed, Web of Science, Cochrane Library, CNKI, and Wanfang databases. We defined Vancouver Scar Scale score as the primary outcome. Both frequentist and Bayesian approaches were used to perform a network meta-analysis. RESULTS: We included 25 trials with a total of 1688 participants. The rankings based on the surface under the cumulative ranking curve for the Vancouver Scar Scale score based on the Bayesian approach suggested IPL + CO2 (96.43%) > pulsed dye laser (PDL) + 1064-nm Nd:YAG (yttrium aluminum garnet) laser (86.21%) > PDL + CO2 (82.15%) > CO2 (58.97%) > 1064-nm Nd:YAG (57.03%) > PDL (52%) > 532-nm Nd:YAG (33.28%) > Er:YAG + IPL (28.38%) > Er:YAG (26.56%) > IPL (15.03%) > control (13.97%). The ranking results based on the frequentist approach were basically consistent with those based on the Bayesian approach. CONCLUSIONS: The results of the network meta-analysis showed that the combination of IPL and CO2 laser has the highest probability of being the most effective intervention. However, our conclusions must be interpreted with caution due to the relatively few evaluation indicators included in our study. Future well-designed randomized controlled trials with large sample sizes are required to confirm our conclusions.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| 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) | 0,001 | 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 ».