The Impact of Lack of Government-Insured Routine Eye Examinations on the Incidence of Self-Reported Glaucoma, Cataracts, and Vision Loss
Notice bibliographique
Résumé
PURPOSE: We determined the impact of lack of government insured routine eye examinations on the incidence of self-reported glaucoma, cataracts and vision loss. METHODS: We analyzed data from the Canadian longitudinal National Population Health Survey (1994-2011). White respondents aged 65+ in 1994/1995 were included (n = 2618). Three cohorts were established at baseline: those free of glaucoma, cataracts, and vision loss (i.e., unable to see close or distance when wearing glasses or contact lenses). Incident cases were identified through self-reporting of these conditions during the follow-up period. RESULTS: The incidence (per 1000 person-years) of glaucoma was lower in uninsured provinces (8.1; 95% confidence interval [CI], 5.5-10.7) than in insured provinces (12.8; 95% CI, 10.5-15.1). The incidence of cataracts was also lower in the uninsured (67.2; 95% CI, 55.7-78.6) versus insured provinces (75.7; 95% CI, 69.2-82.2). The incidence of vision loss was higher in the uninsured (26.6; 95% CI, 20.2-33.0) versus insured provinces (22.5; 95% CI, 20.0-25.5). Adjusting for confounders, seniors in insured provinces had a 59% increased risk of glaucoma (incidence rate ratio [IRR], 1.59; 95% CI, 1.07-2.37), a 13% greater risk of cataracts (IRR, 1.13; 95% CI, 0.93-1.37), and a 12% reduced risk of vision loss (IRR, 0.88; 95% CI, 0.67-1.16). CONCLUSIONS: Lack of government-funded routine eye examinations is associated with a reduced incidence of self-reported glaucoma and cataracts, likely due to reduced detection. Lack of insurance also is associated with a higher incidence of self-reported vision loss, likely due to poorer access to eye care and late treatment.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,010 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».