Tracking retinal nerve fiber layer loss after optic neuritis: a prospective study using optical coherence tomography
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Optic neuritis causes retinal nerve fiber layer damage, which can be quantified with optical coherence tomography. Optical coherence tomography may be used to track nerve fiber layer changes and to establish a time-dependent relationship between retinal nerve fiber layer thickness and visual function after optic neuritis. METHODS: This prospective case series included 78 patients with optic neuritis, who underwent optical coherence tomography and visual testing over a mean period of 28 months. The main outcome measures included comparing inter-eye differences in retinal nerve fiber layer thickness between clinically affected and non-affected eyes over time; establishing when RNFL thinning stabilized after optic neuritis; and correlating retinal nerve fiber layer thickness and visual function. RESULTS: The earliest significant inter-eye differences manifested 2-months after optic neuritis, in the temporal retinal nerve fiber layer. Inter-eye comparisons revealed significant retinal nerve fiber layer thinning in clinically affected eyes, which persisted for greater than 24 months. Retinal nerve fiber thinning manifested within 6 months and then stabilized from 7 to 12 months after optic neuritis. Regression analyses demonstrated a threshold of nerve fiber layer thickness (75 microm), which predicted visual recovery after optic neuritis. CONCLUSIONS: Retinal nerve fiber layer changes may be tracked and correlated with visual function within 12 months of an optic neuritis event.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle