Response of 21 Hyaluronic Acid Fillers to Recombinant Human Hyaluronidase
Notice bibliographique
Résumé
Background: One benefit of hyaluronic acid fillers is the ability to dissolve them using hyaluronidase. With the increasing number of fillers entering the market, it is crucial to understand each of these fillers' responsiveness to hyaluronidase. Methods: Twenty-one hyaluronic acid fillers of 0.2 mL aliquots each were placed on slides. Twenty units of recombinant human hyaluronidase were injected into the aliquots every 30 minutes for a total of 120 units recombinant human hyaluronidase injected over 3 hours. With each injection, videos and photographs were taken from bird's eye and lateral views to measure aliquot height. Stirring videos were graded by three oculoplastic surgeons, and these grades were used to categorize each filler's responsiveness. Results: Restylane Lyft, Restylane-L/Eyelight, and Resilient Hyaluronic Acid (RHA) 1/Redensity were the least resistant. The moderately resistant group comprised of Restylane Silk, Juvéderm Volbella, Revanesse Versa/Lips, and Belotero Balance on the less resistant side to Juvéderm Vollure, RHA 2, Restylane Contour, Juvéderm Ultra, Restylane Refyne, Belotero Intense, Restylane Kysse, RHA 3, Juvéderm Ultra Plus, and Restylane Defyne on the more resistant side. The most resistant were RHA 4, Juvéderm Voluma, Belotero Volume, and Juvéderm Volux. The most resistant fillers required 120 units of hyaluronidase per 0.2 mL filler to dissolve. Conclusions: With the increasing popularity of fillers comes the increasing need to dissolve them for both ischemic and nonischemic complications. The majority of hyaluronic acid fillers available on the market are very resistant to hyaluronidase, which must be considered when determining the amount of hyaluronidase to dissolve a particular filler.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».