Reproducibility of Retinal Nerve Fiber Layer Measurements with Manual and Automated Centration in Healthy Subjects Using Spectralis Spectral-Domain Optical Coherence Tomography
Notice bibliographique
Résumé
Objective. The aim of this study was to test the reproducibility of the Heidelberg Spectralis SD-OCT and to determine if provided software retest function for follow-up exam is superior to manual centration. Design. Prospective, cross-sectional study. Participants. 20 healthy subjects. Methods. All subjects underwent SD-OCT testing to determine retinal nerve fiber layer (RNFL) measurements sequentially on two different days and with two different centration techniques. Within-subject standard deviation, coefficient of variation, and intraclass correlation coefficient were used to assess reproducibility. Results. RNFL measurements showed high reproducibility, low within-subject standard deviation (1.3), low coefficient of variation (0.63%), and low intra-class correlation coefficient (0.98 (95% CI 0.97-0.99)) in the automated centration and manual centration groups for average RNFL Thickness. Quadrants showed slightly higher variability in the manual group compared to the automated group (within-subject standard deviation 2.5-5.3 versus 1.1-2.4, resp.). Conclusions. SD-OCT provides high-resolution RNFL measurements with high reproducibility and low variability. The re-test function allows for easier recentration for longitudinal examinations with similar results in average RNFL, but less variability in quadrant RNFL. SD-OCT high reproducibility and low variability is a promising fact and should be further evaluated in longitudinal studies of RNFL.
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 | 0,001 |
| 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) | 0,000 | 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 ».