Laser-assisted subepithelial keratectomy and photorefractive keratectomy for post-penetrating keratoplasty myopia and astigmatism in adults
Notice bibliographique
Résumé
PURPOSE: To evaluate whether laser-assisted subepithelial keratectomy (LASEK) and photorefractive keratectomy (PRK) achieve effective targeted correction and the extent of post-treatment corneal haze after corneal transplantation. SETTING: Nonhospital surgical facility, Calgary, Alberta, Canada. DESIGN: Evidence-based manuscript. METHODS: This study evaluated visual acuity, refractive error correction, and potential complications after LASEK or PRK to eliminate refractive error differences after penetrating keratoplasty in adults. A Nidek EC-5000 or Technolas 217 excimer laser was used in all treatments. RESULTS: At last follow-up (mean 20.50 months post laser), the mean spherical equivalent (SE) decreased from -2.71 diopters (D) ± 4.17 (SD) to -0.54 ± 3.28 D in the LASEK group and from -4.87 ± 3.90 D to -1.82 ± 3.34 D in the PRK group. The mean preoperative uncorrected distance visual acuity (UDVA) was 1.63 ± 0.53 and 1.45 ± 0.64, respectively, and the mean postoperative UDVA, 0.83 ± 0.54 and 0.90 ± 0.55, respectively. The improvement in SE and UDVA was statistically significant in both groups (P < .01). The mean haze (0 to 3 scale) at the last follow-up was 0.46 ± 0.708 in the LASEK group and 0.58 ± 0.776 in the PRK group. CONCLUSIONS: The UDVA improved and refractive errors were effectively reduced after LASEK or PRK in eyes with previous PKP. There was no significant difference in the change in SE, UDVA, or corrected distance visual acuity between LASEK and PRK. Some patients had evidence of corneal haze, although the difference between the groups was not significant.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».