Ứng dụng máy đo màu (Colorimeter) trong quản lý, theo dõi sẹo lồi điều trị bằng laser nhuộm xung
Bibliographic record
Abstract
Đặt vấn đề: Sẹo lồi là hậu quả thường gặp do quá trình lành thương bất thường, gây ảnh hưởng đáng kể đến thẩm mỹ và cả chất lượng sống của người bệnh. Trong số các phương pháp điều trị, laser nhuộm xung (PDL-Pulsed Dye Laser) được đánh giá hiệu quả điều trị tốt. Tuy nhiên, việc đánh giá kết quả hiện vẫn chủ yếu mang tính chủ quan. Việc ứng dụng máy đo màu (Colorimeter) mở ra khả năng cung cấp một công cụ định lượng khách quan về mức độ tăng sinh mạch máu, đây là một chỉ số lâm sàng quan trọng trong theo dõi sẹo lồi. Mục tiêu: (1) Mô tả đặc điểm lâm sàng, dịch tễ, chỉ số đo màu (a*, b*, L*) và thang điểm sẹo Vancouver (VSS-Vancouver scar scale) trước khi điều trị bằng PDL; (2) Mô tả sự thay đổi các thông số trên sau khoảng 4 tuần điều trị; (3) Phân tích mối tương quan giữa các chỉ số màu sắc của máy đo màu với các chỉ số của VSS, đặc điểm lâm sàng, dịch tễ và mức độ hài lòng của bệnh nhân. Đối tượng và phương pháp nghiên cứu: Nghiên cứu mô tả cắt ngang có theo dõi trước - sau can thiệp. Được thực hiện trên 30 bệnh nhân với tổng cộng 56 sẹo lồi được điều trị bằng PDL tại bệnh viện Đại học Y Dược Thành phố Hồ Chí Minh từ tháng 9/2024 đến tháng 5/2025. Các dữ liệu được thu thập trước và sau điều trị khoảng 4 tuần, bao gồm các chỉ số a*, b*, L*, điểm VSS và mức độ hài lòng của bệnh nhân theo thang đo Likert. Kết quả: Tuổi trung bình của bệnh nhân là 35,27 ± 16,49; nữ giới chiếm 57%. Trước điều trị, chỉ số a* tương quan có ý nghĩa thống kê với mức độ tăng sinh mạch máu và độ cao sẹo theo thang điểm VSS (p < 0,05). Sau điều trị, các chỉ số a*, L* và điểm VSS cải thiện rõ rệt. Có 76,8% bệnh nhân hài lòng hoặc rất hài lòng với kết quả. Đo màu bằng Colorimeter cho thấy tương quan tốt với cải thiện lâm sàng. Kết luận: Colorimeter là công cụ hữu ích, khách quan trong đánh giá hiệu quả điều trị sẹo lồi bằng PDL.
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 | 0.003 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.002 | 0.002 |
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".