681 A Systematic Review of Fat Grafting in the Management of Burn Scars
Notice bibliographique
Résumé
Abstract Introduction Secondary management of thermal injuries remains a challenging and relevant topic for plastic surgeons. Burn scars are associated with both functional and aesthetic issues for patients. While various treatments exist, there is no gold standard of treatment. Fat grafting has been used in multiplicities in reconstruction, and studies have demonstrated improvement in skin texture and contour following infiltration. This systematic review aims to examine all available evidence on outcomes following fat grafting for management of burn scars. Methods A search of Medline, EMBASE, and Cochrane library database was conducted from their inception until June of 2023. Published articles examining outcomes of fat grafting for thermal injury scars were identified, screened, and extracted as per PRISMA guidelines. Results A total of 10457 articles were screened, yielding 14 eligible studies for data extraction accounting for 885 patients. All studies found improvement post-operatively. 9 out of 14 studies used a subjective clinical assessment, one study did not report pre-treatment measurements, the other 8 all found improved outcome based on clinician assessment. One study reported VSS and another reported modified VSS. 3 studies utilized POSAS, the mean difference was an improvement of 7.28 (MCID < 1). Conclusions Further studies, particularly prospective in nature, with standardized outcome measurements are needed to substantiate clinical improvement observed. The authors recommend utilizing either the POSAS or VSS for future studies investigating burn scar treatments. Applicability of Research to Practice This study investigates all concurrent and relevant studies looking at utilizing fat grafting in the management of burn scars. Evidence present is overall supportive of its efficacy. However, meaningful analysis was precluded due to inconsistent outcome reporting. We recommend all studies going forward on this topic to use established tools or PROMs such as the POSAS or VSS. Funding for the Study N/A
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 | 0,008 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,007 |
| Bibliométrie | 0,013 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».