Clinically Relevant Manual One-Shot Learning Technique (MOST) to Personalize Fractional Carbon Dioxide Laser Treatment for Eyelid Scars
Notice bibliographique
Résumé
BACKGROUND: Hypertrophic and keloid eyelid scars cause functional and aesthetic problems. Traditional fractional carbon dioxide (CO2) laser treatments require multiple sessions and use uniform parameters regardless of scar characteristics, limiting their effectiveness for complex eyelid scars. OBJECTIVES: In this study, the authors evaluate the efficacy and safety of the Manual One-shot Learning Technique (MOST) with fractional CO2 laser for personalized treatment of eyelid scars. METHODS: A retrospective study involved 154 patients with hypertrophic and keloid eyelid scars treated with the MOST fractional CO2 laser. Functional and aesthetic outcomes were assessed utilizing degree of incomplete eyelid closure, ectropion, and Vancouver Scar Scale (VSS). Patients were followed up for a total of 12 months to evaluate outcomes and monitor complications. RESULTS: The study included 154 patients (98 males, 56 females; mean age 32.6 ± 14.2 years). A single treatment session resulted in significant improvements, with a mean VSS score reduction of 2.75 ± 1.50 (P = .021), and 57.8% of patients achieving >75% scar clearance. After 1 to 3 treatment sessions, all patients showed significant functional and aesthetic improvements, with incomplete eyelid closure and ectropion significantly reduced (both P < .001), VSS scores decreased by 3.02 ± 1.76 (P < .001), and 90.9% of patients achieved >75% scar clearance. Complications included recurrence (10.4%), hypopigmentation (5.2%), and skin atrophy (5.2%). CONCLUSIONS: The MOST laser technique significantly improves functional and aesthetic outcomes for eyelid scars with fewer treatment sessions. By personalizing treatment based on tissue response, this approach enhances efficiency while reducing both patient burden and resource use.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,002 | 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 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 ».