The Utility of Fat Grafting to Manage Burn Scars: A Systematic Review
Notice bibliographique
Résumé
Secondary management of thermal injuries remains a challenging and relevant topic for plastic and nonplastic burn surgeons alike. Burn scars are associated with both functional limitations and aesthetic challenges for patients. While various treatment modalities exist for the management of these scars, no gold standard has been established. Fat grafting has been used in various reconstructive contexts, and studies have demonstrated improvement in skin texture and contour following infiltration. This systematic review aims to examine the available evidence on outcomes following fat grafting for the management of burn scars. A search of Medline, EMBASE, and Cochrane Library databases was conducted from their inception until November 2024. Published articles examining outcomes of fat grafting for thermal injury scars were identified, screened, and data were extracted following Preferred Reporting Items for Systematic Reviews and Meta-Analyses guidelines. A total of 10 740 articles were screened, yielding 14 eligible studies for data extraction, accounting for 885 patients. All studies reported improvement of scars postoperatively. Nine out of 14 studies used a subjective clinical assessment, 1 study did not report pretreatment measurements, and the other 8 studies all found improved outcomes based on clinician assessment. One study reported Vancouver Scar Scale (VSS) scores and another reported modified VSS scores. Three studies utilized POSAS and the mean difference was an improvement of 7.28 (MCID <1). This review suggests that autologous fat grafting and adipose-derived stem cells show promising results for improving scar quality, function, and patient satisfaction following burn injury. Further studies, particularly prospective in nature, with standardized outcome measurements are needed to substantiate subjective clinical improvement. The authors recommend utilizing POSAS or VSS for future studies investigating burn scar treatments.
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 | 0,005 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,008 |
| Bibliométrie | 0,009 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 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) | 0,004 | 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 ».