Myth Versus Reality: A Review of Social Media Claims and Scientific Evidence for Arnica montana in Postinjectable Procedures
Notice bibliographique
Résumé
BACKGROUND: Reduced bruising and swelling after aesthetic procedures accelerates recovery. Arnica montana is widely used by physicians and promoted on social media, although its efficacy in aesthetic medicine remains uncertain. OBJECTIVE: To evaluate the validity of social media claims regarding Arnica's therapeutic benefits, focusing on aesthetic injectable procedures. MATERIALS AND METHODS: Social media platforms, TikTok and Reddit, were searched on April 24, 2024, covering a 2-year period, using terms: "arnica montana," "arnica," "arnica filler," "arnica botox," and "arnica gel." A literature review was conducted using OVID Medline and Embase databases with keywords "arnica" and "arnica montana." RESULTS: A total of 48 TikTok posts and 305 Reddit entries were identified; with 91.7% and 58% of posts, respectively, endorsing Arnica use, primarily without scientific evidence. The literature review revealed limited and mixed evidence for Arnica's efficacy, with only 1 study addressing dermatologic injectable procedures. Systematic reviews indicated a small effect size for Arnica in surgical settings, with no specific focus on dermatologic applications. CONCLUSION: Despite its popularity on social media and frequent use by health care providers, scientific evidence supporting Arnica's efficacy in reducing bruising and swelling after aesthetic procedures remains inconclusive. Social media discussions predominantly supported Arnica use, with limited opposition noted.
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 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».