Fotografie in der Dermatologie – ein Scoping Review: Praktiken, Skin of Color, Patientenpräferenzen und medizinisch‐rechtliche Überlegungen
Bibliographic record
Abstract
Zusammenfassung Die klinische Fotografie ist essentiell für die Dermatologie. Es gibt jedoch keine umfassende Aufarbeitung der Literatur zur Fotografie in der Dermatologie. Dieser Scoping Review soll die Literatur zu fotografischen Praktiken in der Dermatologie, der Fotografie stark pigmentierter Haut ( Skin of Color ), Patientenpräferenzen und medizinisch‐rechtlichen Überlegungen zusammenfassen. Die Datenbanken Embase, MEDLINE, PubMed und Evidence Based Medicine wurden im Einklang mit der PRISMA‐Erweiterung für Scoping Reviews durchsucht. Insgesamt wurden 33 Studien zusammengefasst. Die klinische Fotografie wird häufig für die Markierung von Biospiestellen, Beurteilung, Diagnostik, Krankheitsüberwachung, Bewertung des Ansprechens auf die Behandlung, medizinische Ausbildung, Forschung, das Einholen kollegialer Ratschläge und in der Teledermatologie eingesetzt. Obwohl es in der dermatologischen Fotografie weiterhin kaum Darstellungen von Skin of Color gibt, sind fotografische Überlegungen für dunklere Hauttypen verfügbar. Die meisten Patienten unterstützen die medizinische Fotografie. Dabei besteht der Wunsch, dass klinische Fotografien vom eigenen Arzt aufgenommen und bevorzugt klinikeigene Kameras und keine persönlichen Geräte verwendet werden. Relevante medizinisch‐rechtliche Fragestellungen umfassen Bedenken hinsichtlich des Datenschutzes, der Verwendung persönlicher Geräte und der Dokumentation der Einwilligung. Die Fotografie in der Dermatologie entwickelt sich ständig weiter und findet immer breitere Anwendung. Verbesserte Verfahren und Innovationen werden Menschen aller Hautfarben zugute kommen. Die Einhaltung der Zustimmung und des Datenschutzes muss gewährleistet werden, um die zunehmende Einfachheit der Bildaufnahme und ‐freigabe aufrechtzuerhalten.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.008 | 0.015 |
| Meta-epidemiology (narrow) | 0.004 | 0.003 |
| Meta-epidemiology (broad) | 0.016 | 0.003 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.005 | 0.002 |
| Research integrity | 0.003 | 0.010 |
| Insufficient payload (model declined to judge) | 0.001 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".