The SKIN-Q: An Innovative Patient-Reported Outcome Measure for Evaluating Minimally Invasive Skin Treatments for the Face and Body
Notice bibliographique
Résumé
Background: As the aesthetics field continues to innovate, it is important that outcomes are carefully evaluated. Objectives: To develop item libraries to measure how skin looks and feels from the patient perspective, that is, SKIN-Q. Methods: Concept elicitation interviews were conducted and data were used to draft the SKIN-Q, which was refined with patient and expert feedback. An online sample (i.e., Prolific) provided field-test data. Results: We conducted 26 qualitative interviews (88% women; 65% ≥ 40 years of age). A draft of the SKIN-Q item libraries were formed and revised with input from 12 experts, 11 patients, and 174 online participants who provided 180 survey responses. The psychometric sample of 657 participants (82% women; 36% aged ≥40 years) provided 713 completed surveys (facial, n = 595; body, n = 118). After removing 14 items, the psychometric analysis provided evidence of reliability (≥0.85) and validity for a 20-item set that measures how skin feels and a 46-item set that measures how skin looks. Short-form scales were tested to provide examples for how to utilize the item sets. Conclusion: The SKIN-Q represents an innovative way to measure satisfaction with skin (face and body) in the context of minimally invasive treatments.
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 | 0,010 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».