Local Insulin Improves Wound Healing: A Systematic Review and Bayesian Network Meta-Analysis
Notice bibliographique
Résumé
BACKGROUND: Wounds are a significant health issue, and reliable and safe strategies to promote repair are needed. Clinical trials have demonstrated that local insulin promotes healing in acute and chronic wounds (ie, reductions of 7% to 40% versus placebo). However, the trials' sample sizes have prevented drawing solid conclusions. Furthermore, no analysis has focused on safety concerns (ie, hypoglycemia). Under the hypothesis that local insulin promotes healing through proangiogenic effects and cellular recruitment, the aim of this systematic review and network meta-analysis (NMA) was to assess its safety and relative effectiveness using a Bayesian approach. METHODS: Medline, CENTRAL, Embase, Scopus, LILACS, and gray literature sources were searched for human studies assessing the local use of insulin versus any comparator since inception to October of 2020. Data on glucose changes and adverse events, wound and treatment characteristics, and healing outcomes were extracted, and an NMA was conducted. RESULTS: A total of 949 reports were found, of which 23 ( n = 1240 patients) were included in the NMA. The studies evaluated six different therapies, and most comparisons were against placebo. NMA showed -1.8 mg/dL blood glucose level change with insulin and a lack of reported adverse events. Statistically significant clinical outcomes identified include reduction in wound size (-27%), increased healing rate (23 mm/day), reduction in Pressure Ulcer Scale for Healing scores (-2.7), -10 days to attain complete closure, and an odds ratio of 20 for complete wound closure with insulin use. Likewise, significantly increased neoangiogenesis (+30 vessels/mm 2 ) and granulation tissue (+25%) were also found. CONCLUSION: Local insulin promotes wound healing without significant adverse events.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,021 | 0,005 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».