A Randomized Controlled Trial of Three Advanced Wound Dressings in Split-Thickness Skin Grafting Donor Sites—A Personalized Approach?
Notice bibliographique
Résumé
Background: Split-thickness skin grafting (STSG) is a frequently used reconstructive technique, and its donor site represents a standardized clinical model to evaluate wound dressings. We compared hydroactive nanocellulose-based, silver-impregnated and ibuprofen-containing foam wound dressings. Methods: A total of 46 patients scheduled for elective surgery were evaluated on the STSG donor site for wound healing (time-to-healing, Hollander Wound Evaluation Scale), pain level (Visual Analogue Scale), and handling (ease of use), as well as scar quality (Patient Scar Assessment Scale, Vancouver Scar Scale) after 3, 6 and 12 months. Results: Almost all dressings compared equally well. We observed statistically relevant differences for pain level favoring the ibuprofen-containing dressing (p = 0.002, ΔAIC = 8.1), and user friendliness in favor of nanocellulose (dressing removal: p = 0.037, ΔAIC = 2.59; application on patient: p = 0.042, ΔAIC = 2.33; wound adhesion: p = 0.017, ΔAIC = 4.16; sensation on skin: p = 0.027, ΔAIC = 3.21). We did not observe any differences for wound healing across all groups. Treatment with hydroactive nanocellulose and the ibuprofen-containing foam revealed statistically relevant better scar appearances as compared to the silver wound dressing (p < 0.001, ΔAIC = 14.77). Conclusion: All wound dressings performed equally well, with the detected statistical differences hinting future directions of clinical relevance. These include the reserved use of silver containing dressings for contaminated or close to contaminated wounds, and the facilitated clinical application of the nanocellulose dressing, which was the only suitable candidate in this series to be impregnated with a range of additional therapeutic agents (e.g., disinfectants and pain-modulating drugs). Personalized donor site management with the tested dressings can meet individual clinical requirements after STSG and improve management strategies and ultimately patient outcomes.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 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 ».