Tracking retinal nerve fiber layer loss after optic neuritis: a prospective study using optical coherence tomography
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.
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 | 0,002 | 0,006 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».