12 Years of ablative fractional CO2 laser Practice: Logistics, lessons and evolving model of care
Notice bibliographique
Résumé
• Ablative fractional CO 2 laser (AFCO 2 L) services improve equity of access to scar treatment. • AFCO 2 L service resulted in reduced burn scar operative reconstructive cases. • Younger, female patients more likely to receive AFCO 2 L. • Patients with slower healing burns more likely to receive surgery and AFCO 2 L. Ablative fractional CO 2 lasers (AFCO 2 L) have been shown to improve burn hypertrophic scars significantly. In this paper we describe the journey of setting up the laser service for burns patients, considerations in patient selection, treatment algorithms, and lessons learned. This study is a retrospective cohort study including all patients who received AFCO 2 L at the Western Australian (WA) Statewide Adult Burn Unit since the start of the program in 2013–2024. Descriptive statistics present the number, timing and settings of AFCO 2 L events, as well as patient, injury, and treatment characteristics. Further, the profile of patients who underwent laser treatment was compared to those who did not, during the study period. Since the introduction of the AFCO2L, a total of 4005 laser sessions involving 837 burns patients has been completed in WA. The majority were performed as an outpatient (66 %), with the proportion and total numbers increasing with time to 2021. Compared to those not receiving laser for their scars, AFCO2L was more likely applied to younger (p < 0.0001), female (p < 0.0001) patients with higher %TBSA burns (p < 0.0001) involving multiple anatomic areas (p = 0.001), more often requiring surgery (p < 0.0001) and longer times to heal (p < 0.0001). In 2013, 100 % of all lasers were provided as an inpatient, under general anesthetic with an average age of scar > 5000 days. By 2023/4, only 18 % required an inpatient stay and the average age of scar was 111 days. The SABU team evolved AFCO 2 L therapy into the model of care over time to achieve earlier, more equitable delivery of laser treatments to 80 % of patients as outpatients, supported by extensive multidisciplinary team involvement.
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,006 |
| 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 ».