Improved Estimates of Visual Field Progression Using Bayesian Linear Regression to Integrate Structural Information in Patients with Ocular Hypertension
Notice bibliographique
Résumé
PURPOSE: To assess whether neuroretinal rim area (RA) measurements of the optic disc could be used to improve the estimate of the rate of change in visual field (VF) mean sensitivity in patients with ocular hypertension (OHT) using a Bayesian linear regression (BLR), compared to a standard ordinary least squares linear regression (OLSLR) of mean sensitivity (MS) measurements alone. METHODS: MS and RA measurements were analyzed from a longitudinal series of 179 patients with OHT visiting Moorfields Eye Hospital between 1992 and 2000. For each patient, linear regression of RA was computed after an appropriate transformation to "scale" RA with MS measurements, and the slope coefficient from this regression was used as a prior for BLR of MS. The BLR then was compared with the OLSLR approach by evaluating how accurately each regression technique predicted future MS measurements. RESULTS: On average, BLR was significantly more accurate than OLSLR for series up to 8 measurements long (root-mean-square prediction error [RMSPE] was 0.14 decibels [dB] smaller with BLR than OLSLR; P < 0.001, Wilcoxon signed-rank test), with OLSLR of VF data alone being more accurate for longer series (RMSPE was 0.06 dB smaller with OLSLR than BLR). CONCLUSIONS: BLR provides a significantly more accurate estimate of the rate of change in MS than the standard OLSLR approach, especially in short time series, suggesting that structural measurements can be used successfully in statistical models to assist clinicians monitoring VF progression in patients with OHT. Further studies are necessary to validate the method in glaucoma patients.
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 | 0,004 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».