Modeling the Prevalence of Age‐Related Cataract: Waterloo Eye Study
Notice bibliographique
Résumé
PURPOSE: To report on the prevalence of age-related (AR) cataract in an optometric clinic population including male and female subgroups. METHODS: Retrospective patient file data reviewed for the Waterloo Eye Study database included age, sex, date of lens extraction (LE), and presence of AR cataract [nuclear sclerosis (NS), cortical cataracts (CC), posterior subcapsular (PSC) or associated LE]. Prevalence (%) was calculated for overall AR cataract, NS, CC, PSC, and bilateral LE for all Waterloo Eye Study patients. Logistic regression analysis was used to create age functions for overall AR prevalence and for significant differences in cataract types for males and females. The distribution of homogeneous and mixed cataract and mean age of first LE were determined for males and females. RESULTS: The prevalence of all AR, NS, CC, PSC, and bilateral LE was 35.3, 28.8, 9.9, 3.6, and 14.0%, respectively. Being female was associated with an increased prevalence of CC (odds ratio = 1.54, 95% confidence interval, 1.27 to 1.88) and bilateral LE (odds ratio = 1.41, 95% confidence interval, 1.09 to 1.84). Females reached 50% prevalence earlier than men for CC (76.7 vs. 82.6 years, p 0.05) and bilateral LE (84.6 vs. 90.5 years, p 0.05). Males had an earlier age of first LE than females (70.4 vs. 73.2 years; p 0.01). CONCLUSIONS: Logistic regression modeling indicates that being female in this optometric clinic population was associated with an increased prevalence of CC, mixed cataract, surgical intervention, and later age of first LE. These data are important for public health planning.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».