Prevalence of Harmful/Traditional Medication Use in Traumatic Eye Injury
Notice bibliographique
Résumé
AIM: Ocular trauma of varying aetiologies do occur frequently, however when different traditional/harmful substances are applied before presentation in the hospital, prognosis in terms of visual outcome following treatment may be worse than expected. This study is aimed at determining the prevalence of harmful/traditional eye medication practices among patients with traumatic eye injury in a tertiary institution. STUDY DESIGN/SETTING: It is a retrospective study of patients seen at the eye clinic of the Ekiti State University Teaching Hospital (a state government owned hospital), Ado Ekiti, from January to December 2009. METHODS: A review of case notes (medical records) of patients with history of ocular trauma both open and closed globe injury and who presented to the eye clinic of the Ekiti State University Teaching Hospital, Ado Ekiti from January to December 2009 was carried out. Demographic data of the patients, nature of the ocular trauma, substances applied to the eyes, visual acuity at presentation and after treatment were extracted. Frequencies and percentages were used in analysing the data. RESULT: A total of 1420 new patients attended the eye clinic during the study period (January to December 2009). Forty eight (3.4%) applied various substances into their eyes after sustaining ocular injury. Substances applied include Kerosene 25%, cassava water 20.8%, breast milk 12.5%, personal urine 10.8%, and cow urine 8.3%. Nearly half of the patients 23 (47.9%) presented with low vision and after treatment there was no visual improvement in almost all of them, 22 (45.8%). The period before presentation ranges between 1hr -2 weeks post injury. However, the number of monocular blindness reduced from 8 (16.7%) to 5 (10.4%) after treatment. CONCLUSION: Kerosene and Cassava water were the common substances applied to the injured eye. The use of these harmful and traditional eye medications on injured eyes can reduce further the visual prognosis despite ophthalmic intervention.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,002 | 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 ».