Surgical Scar Management and Outcomes in Racial/Ethnic Minorities: A Systematic Review
Notice bibliographique
Résumé
Background: Patients with darker skin tend to experience an increased prevalence of adverse surgical scarring and poorer treatment response in comparison to White patients. Ethnic and racial factors play a role in overall surgical scar outcomes because they predispose darker-skinned individuals to sequelae such as scar hypertrophy, keloid formation, and an overall negative psychosocial impact. This systematic review will summarize existing literature on surgical scar outcomes and management in minority patients and will highlight gaps in the medical literature. Methods: The search was conducted using PubMed, Embase, Scopus, and Cochrane Library to identify relevant articles. All articles went through title and abstract screening, followed by full-text review. Results: Of 1235 articles, 40 met eligibility criteria. Following the full-text review, 10 articles were included. In 5 of the 10 studies, patients were characterized as having Fitzpatrick skin types II–V. Five studies utilized laser techniques, and the remaining 3 studies utilized silicone sheet, topical silicone, and surgery. The Vancouver Scar Scale was the most utilized assessment tool. The two studies that evaluated fractional CO 2 laser interventions using the Vancouver Scar Scale showed improvement in scar outcomes and overall patient satisfaction. Conclusions: Laser interventions were the most utilized and show promise for improving scar management outcomes in ethnic patients, though there is little work highlighting treatment decision-making in scar management. This review emphasizes the need for increased research focused on scar management interventions and comprehensive protocols to address scar management in plastic surgery for patients with darker skin.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,009 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».