Prognostic determination using optical coherence tomography compared with visual functions in optic neuritis
Notice bibliographique
Résumé
Background: The majority of optic neuritis patients often notice improvement and gain stability of their visual functions, however, evidences of ongoing retinal nerve fiber layer (RNFL) thinning have been reported. Purposes: To investigate the correlation between RNFL thickness measured with Optical coherence tomography (OCT) and visual function tests and to determine the utility of OCT in visual prognostic assessment of optic neuritis. Method: A prospective study was performed in 12 patients with acute isolated optic neuritis. Best corrected visual acuity (BCVA), Swedish interactive threshold algorithms (SITA) 30-2 strategy on Humphrey field analyzer, and fast RNFL thickness analysis were performed on both affected and fellow eyes at baseline, 1.5, three and six months. Results: Mean BCVA and average mean deviation (MD) of the affected eye were significantly different from the fellow eyes at baseline. Affected eyes had significant thinner of RNFL at baseline, 1.5, three, and six months. Significant correlations between (i) mean RNFL thickness and BCVA at 1.5 ( r = 0.707, p = .010), (ii) mean RNFL thickness and MD at 1.5 months ( r = 0.674, p = .016) and six months( r = 0.710, p = .032), (iii) mean RNFL thickness at 1.5 months and MD at six months ( r = 0.782, p = .013). Conclusion: A correlation between RNFL thickness and visual function tests indicates that OCT might have roles in detection and prediction of RNFL damage in Optic neuritis (ON) patients despite no evidence of MS.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 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 ».