A Comprehensive Analysis of Moist Versus Non‐Moist Dressings for Split‐Thickness Skin Graft Donor Sites: A Systematic Review and Meta‐Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background and Aims: This systematic review and meta-analysis evaluate the efficacy of moist versus non-moist dressings for split-thickness skin graft (STSG) donor sites, focusing on time to healing, pain management, and adverse events to guide clinical practice. Methods: A comprehensive literature search was conducted across databases including Ovid/MEDLINE, Embase, Cochrane CENTRAL, Cochrane Database of Systematic Reviews, and Scopus up to November 28, 2023. The study adhered to PRISMA guidelines. Eligible randomized controlled trials (RCTs) were assessed for quality using the Newcastle-Ottawa Scale and Cochrane risk-of-bias tool, with meta-analysis performed using the DerSimonian and Laird random-effects model. Results: Out of 464 identified studies, 16 RCTs involving 1129 patients were included. Moist dressings such as Tegaderm, Hydrocolloid, Alginate, polyurethane, and hydrofiber showed a faster mean time to healing compared to non-moist dressings like Mepitel and paraffin-impregnated gauze. Hydrocolloid dressings were particularly effective in accelerating wound healing. Additionally, moist dressings were associated with lower pain levels during dressing removal and had comparable rates of adverse events. Conclusion: The evidence strongly supports the use of moist dressings, particularly Hydrocolloid, for STSG donor site coverage. These dressings promote faster healing and superior pain management. The study highlights the need for further research to address existing limitations and refine recommendations for optimal wound care interventions.
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.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,017 | 0,003 |
| Bibliométrie | 0,003 | 0,011 |
| Études des sciences et des technologies | 0,001 | 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 découle