A lokális antiszeptikumok szerepe az akut sebek kezelésében: Dermazin-nal és Aquacel Ag-val kezelt arcégett betegek retrospektív vizsgálata, a Vancouver hegskála felhasználásával
Bibliographic record
Abstract
A súlyos égés a traumák egyik legveszélyesebb típusa, melynek ellátása komplex feladat, és komoly szakmai jártasságot igényel. A számos előrelépés ellenére az égés leggyakoribb halálos szövődménye ma is a szepszis, mivel az égés hatására a fertőzéshajlam nő. A lokális antiszeptikumokat ma ismét elterjedten használják az akut sebek kezelésében. Az antibiotikumokkal ellentétben nem alakul ki ellenük rezisztencia és ritkábban alakul ki velük szemben túlérzékenység. Hatásukat szabad fémion és halogéntartalmuknak köszönhetik. Cytotoxikusak, ezért teoretikusan gátolják a sebgyógyulást, de a klinikai tapasztalatok ennek ellentmondanak. A modern antiszeptikumok kombinált készítmények, melyek antiszeptikus hatásuk mellett biztosítják a gyógyuláshoz szükséges nedves sebközeget. Ezen készítmények használata ma esszenciális az akut sebek konzervatív kezelésében, a konverzió megelőzésében. Munkám során két arcégett betegcsoportot hasonlítottunk össze, akik ezüst tartalmú antiszeptikummal voltak kezelve. Az egyik csoport Aquacel Ag® (egy modern ezüsttel kombinált hydrofiber készítmény) kezelésben részesült, míg a másik Dermazin® kenőcs (SSD) kezelést kapott. Eredményeink alapján kijelenthető, hogy a két vizsgált csoport között számos szignifikáns különbség mutatkozott. A klinikai tapasztalatokon alapuló hipotézisünknek megfelelően az Aquacel Ag®-vel kezelt betegcsoportban szignifikánsan kisebb fokú volt a hegképződés, kevésbé érezték a betegek megterhelőnek a kezelést, és kevésbé volt kényelmetlen a kötéscserék közötti időszak. Terveink közt szerepel a vizsgálat jövőbeni folytatása, nagyobb esetszámok bevonásával.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
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".