Effectiveness of hyaluronic acid fillers for cheek augmentation using a treatment guide to choose between products
Notice bibliographique
Résumé
Abstract Background Patients can have different reasons for seeking cheek augmentation; while some are in need of volume augmentation, others may request projection and lifting. A treatment guide can be useful for treating clinicians in choosing the most suitable product. Aims This 8‐week, multicenter study was conducted to evaluate the effectiveness and safety of cheek augmentation using a treatment guide to choose between study products HA CON and HA LYF . Patients/Methods Female subjects intending to undergo cheek augmentation were treated according to primary need for treatment—HA CON for contouring or HA LYF for projection. Treatments were performed according to approved labels. Assessments included Global Aesthetic Improvement Scale (GAIS) evaluations, subject satisfaction, subject‐perceived age (FACE‐Q), naturalness of facial expressions, 3D imaging analysis, and safety assessments. Results All subjects ( n = 60) were assessed as aesthetically improved by the investigators 4 and 8 weeks after last injection. For all subjects, contouring or projection was achieved as planned with natural‐looking results. Subject satisfaction was high in both study groups. Volume change of the cheek area was statistically significant from baseline to Week 4 ( p < 0.001), in both treatment groups and on both sides of the face. Overall, treatments were well tolerated with mainly mild adverse events related to treatment. Conclusions The proposed guide for product selection of HA CON or HA LYF for treatment of the cheek area was useful to achieve the primary treatment goal for both products. Treatments were well tolerated and associated with improved aesthetic appearance of the cheeks as well as high subject satisfaction.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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) | 0,000 | 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 ».