Therapeutic efficacy and influencing factors of 5-fluorouracil combined with ultra-pulsed fractional carbon dioxide laser treatment for hypertrophic scars in burn patients
Notice bibliographique
Résumé
Background Laser therapy is widely used in scar repair, and the use of 5-fluorouracil (5-FU) as an adjuvant treatment has also attracted attention. This study aimed to compare the therapeutic efficacy of 5-FU combined with ultra-pulsed fractional carbon dioxide laser (UFCL) treatment and UFCL treatment alone for hypertrophic scars after burns, and to analyse influencing factors to provide evidence for clinical practice.Methods A total of 150 patients with hypertrophic scars from burns were randomly divided into an observation group (OG) and a control group (CG). Assessments were based on the Vancouver scar scale (VSS), patient scar assessment scale (PSAS), and records of adverse reactions (AR).Results There were no statistically significant differences between the two groups in terms of burn causes, disease duration, hypertrophic scar formation time, and wound healing time (P > 0.05). After treatment, the OG showed greater improvements in VSS and PSAS scores compared to the CG. In terms of clinical efficacy, 11 cases in the OG achieved complete recovery, and 42 cases showed visible improvement, with a total effective rate of 93.33%, higher than that of the CG. The incidence of AR in the OG (6.67%) was lower as against the CG. Multivariate regression analysis indicated that advanced age, longer disease duration, and higher pre-treatment VSS scores were negatively correlated with treatment effectiveness (P < 0.05).Conclusion The combination of 5-FU and UFCL treatment is significantly more effective than laser treatment alone. Risk factors affecting clinical efficacy include advanced age, longer disease duration, and higher pre-treatment VSS scores.
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 | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».